¿Qué impacto tendrá la IA en la seguridad de los medicamentos y las prácticas regulatorias?

Hasta ahora, la lógica empresarial se ha visto socavada por la enorme cantidad de mano de obra necesaria para validar y hacer que los sistemas de automatización inteligente alcancen su plena funcionalidad para fines de investigación y desarrollo en ciencias de la vida, como la transformación de los informes de eventos adversos (EA). 

Ahora estos obstáculos se están eliminando y el cumplimiento se está fortaleciendo mediante los LLM (modelos de lenguaje grandes) que impulsan la inteligencia artificial generativa.

Las empresas farmacéuticas pueden tener una oportunidad única en un siglo con esta tecnología de IA, pero solo si pueden escalarla y lidiar con las dificultades particulares que enfrenta el sector.

¿Qué se puede hacer posible?

El aprendizaje automático y los modelos de lenguaje de gran tamaño han hecho posible la búsqueda rápida de nuevos medicamentos, junto con estudios clínicos más efectivos y autorizaciones más rápidas de los reguladores, lo que produce material de marketing extremadamente específico. 

Casi todos los aspectos del sector farmacéutico están cambiando debido a la IA generativa, que también está modificando las normas de las operaciones comerciales y posiblemente liberando miles de millones de dólares en valor.

Según estimaciones del McKinsey Global Institute (MGI), la tecnología podría generar entre 60.000 y 110.000 millones de dólares anuales para las industrias de productos farmacéuticos y médicos. 

Esto se debe principalmente a que la tecnología puede aumentar la productividad al acelerar el proceso de búsqueda de compuestos que podrían ser nuevos medicamentos, agilizando el desarrollo y la aprobación de esos medicamentos y mejorando su comercialización.

La clave reside en utilizar el aprendizaje contextualizado, la extrapolación narrativa y el descubrimiento espontáneo de datos de una manera que los reguladores puedan comprender. Los especialistas en IA de ArisGlobal, Ramesh Ramani y Ravikanth Valigari, analizaron las posibles aplicaciones en una empresa farmacéutica.

IA para una transformación eficiente de datos en seguridad de medicamentos

Cuando hay grandes cantidades de datos en distintos formatos y provienen de muchas fuentes, como en el caso del monitoreo de seguridad, por ejemplo, se necesita mucho trabajo administrativo para recopilar todos los descubrimientos notables y hacerlos útiles. 

Aquí es donde los avances más recientes en aprendizaje automático e IA ofrecen un potencial significativo para la transformación de procesos. No solo en términos de eficiencia, sino también de una precisión notablemente mayor, siempre que el software comprenda lo que busca.

Para cerrar estas brechas y hacer de la automatización avanzada una realidad segura y confiable en importantes procesos de investigación y desarrollo en ciencias de la vida (y, lo que es más importante, sin requerir una supervisión constante y laboriosa), ahora se están aplicando los LLM, los vastos bancos de datos a los que hacen referencia las herramientas GenAI y las técnicas avanzadas de procesamiento del lenguaje natural (PLN) como la generación aumentada por recuperación (RAG). 

En pocas palabras, al permitir que los LLM combinen datosdentcon información accesible al público, RAG facilita el ajuste de los modelos de IA al brindarles una base de conocimiento y un contexto más amplios.

Mejorando la compilación de datos mediante soluciones LLM-RAG

Hasta ahora, la carga de entrenamiento ha sido el problema de las soluciones de aprendizaje automático. Pero ahora, una única solución tecnológica puede gestionar todas las variantes de datos entrantes con la ayuda de LLM, lo que elimina la necesidad de enseñar a los modelos o algoritmos de IA qué buscar o qué implica cada cosa. 

Para guiar a un LLM a través de un procedimiento operativo estándar en un lenguaje sencillo, los patrones RAG pueden ser muy útiles. De esta manera, el sistema podrá gestionar miles de formularios diferentes sin requerir configuraciones específicas para cada uno.

Se ha demostrado que la aplicación de la tecnología LLM-RAG para modificar la entrada de casos de EA puede generar mejoras de eficiencia de hasta un 65 % y una calidad y precisión detracde datos de más del 90 % en ensayos iniciales. Tiene un impacto potencial asombroso. Este mismo sistema actualmente muestra una consistencia del 80 % al 85 % en los resúmenes que genera para el desarrollo de casos de seguridad. Y esto sin experiencia previa, partiendo desde cero.

De hecho, proporciona las bases para que las compañías farmacéuticas simplifiquen significativamente algunas de sus operaciones basadas en datos más difíciles. 

Los temores sobre el cumplimiento o la confiabilidad que anteriormente frenaron la adopción de una automatización más inteligente han dado paso a untrondeseo de adoptar nuevas versiones de la tecnología que aborden directamente estos problemas y brinden mejoras mensurables en la productividad y la eficiencia.

“Para impulsar el cambio, las organizaciones deberían crear equipos de pioneros en la adopción de nuevas tecnologías para dar forma al despliegue de casos de uso de IA de última generación y demostrar su valor.” McKinsey.