¿Puede la IA generar regímenes de tratamiento personalizado contra el cáncer a partir de datos genómicos y de ensayos clínicos ?

¿Puede la inteligencia artificial generar de manera confiable planes de tratamiento individualizado para el cáncer al cruzar referencias del perfil genómico de un paciente con datos de ensayos clínicos publicados? Esta pregunta indaga sobre el equilibrio entre los prometedores resultados computacionales y los rigurosos estándares médicos requeridos para la atención al paciente.

Background

Los modelos de inteligencia artificial se utilizan cada vez más para integrar la secuenciación de ADN específica del paciente y los perfiles de mutación tumoral con evidencia de ensayos clínicos revisados por pares para sugerir combinaciones de fármacos personalizadas. Estos sistemas utilizan algoritmos de aprendizaje automático para identificar terapias potencialmente efectivas al emparejar alteraciones genómicas con fármacos que han demostrado eficacia en cohortes similares de pacientes. Por ejemplo, se han desarrollado marcos de aprendizaje profundo como DeepDR y plataformas similares para predecir las respuestas a los fármacos basándose en datos multi-ómicos y resultados históricos de ensayos. Sin embargo, persisten preocupaciones sobre la validez clínica y la eficacia en el mundo real de los regímenes generados por IA, como han destacado oncólogos y organismos reguladores. Aunque estos modelos pueden producir combinaciones de fármacos plausibles al aprender de grandes conjuntos de datos, los críticos argumentan que muchas sugerencias carecen de validación prospectiva en entornos clínicos controlados o de beneficios demostrados en la supervivencia de los pacientes. Además, la heterogeneidad de los tipos de cáncer, la naturaleza dinámica de la evolución tumoral y la variabilidad en el diseño de los ensayos complican aún más la traducción de las recomendaciones de IA en protocolos de tratamiento estandarizados. Organismos reguladores como la Administración de Alimentos y Medicamentos de EE. UU. (FDA) han enfatizado la necesidad de una validación rigurosa de las herramientas de apoyo a la toma de decisiones clínicas impulsadas por IA para garantizar la seguridad del paciente y el beneficio terapéutico.

Los modelos de lenguaje grandes y otros sistemas de IA se utilizan cada vez más para sintetizar literatura biomédica e informes de ensayos clínicos con el fin de proponer opciones de tratamiento. Los estudios de evaluación comparativa informan que la IA puede recuperar y clasificar brazos de ensayos relevantes para un genotipo dado de paciente con una precisión moderada a alta, aunque el rendimiento varía según el tipo de cáncer y la integridad de los datos. Las vías regulatorias para el software que genera recomendaciones de tratamiento siguen siendo fragmentadas, y algunas jurisdicciones tratan dichos sistemas como herramientas de apoyo a la toma de decisiones clínicas y otras como dispositivos médicos de alto riesgo. La validación en el mundo real suele implicar revisiones retrospectivas de historiales clínicos y estudios piloto prospectivos que comparan los regímenes sugeridos por la IA con los elegidos por juntas multidisciplinarias de tumores. Las orientaciones éticas y legales enfatizan la necesidad de explicabilidad, supervisión humana y divulgación clara cuando se utiliza la IA para informar la atención. Las fuentes de datos incluyen repositorios públicos como TCGA y cBioPortal, así como bases de datos estructuradas de ensayos como ClinicalTrials.gov y EudraCT.

— Enriched 15 de mayo de 2026 · Fuente: Nature Biotechnology, 2023