Elaborado por Materia para OpenMind Recomendado por Materia
6
Inicio Investigación médica más inteligente a través de una nueva inteligencia colectiva
01 octubre 2019

Investigación médica más inteligente a través de una nueva inteligencia colectiva

Tiempo estimado de lectura Tiempo 6 de lectura

En el mundo, cada año se invierten cerca de 200,000 millones de dólares en investigación médica (1). Los resultados de este tremendo esfuerzo colectivo han sido asombrosos: En tan sólo 100 años, la esperanza de vida se ha disparado desde los 45 a los 72 años (2). Sin embargo, todavía hay mucho camino por recorrer. Cada año, cerca de 41 millones de personas mueren a causa de enfermedades no transmisibles (3).

BBVA-OpenMind-Carlos Maria Galmarini-Smarter medical research through human-machine collaboration-rod-long-In just 100 years, life expectancy rocketed from approximately 45 to 72 years
En tan sólo 100 años, la esperanza de vida se ha disparado desde los 45 a los 72 años

Descripción del modelo de I+D actual

A pesar del volumen de inversión en I+D e innovación, el ritmo de avance en la salud global parece haber alcanzado una etapa de ralentización. El modelo actual de investigación médica adolece de una serie de carencias que resumimos a continuación:

  1. Un planteamiento lineal.

El marco de investigación médica actual responde a un proceso lineal, incremental y secuencial, siendo éste el único paradigma aceptado a fecha de hoy (4). Según este planteamiento, la cantidad y calidad de los resultados es directamente proporcional a la cantidad de recursos que se invierten en un determinado proyecto.  

  1. Procesamiento de datos egocéntrico e interesado.

Las empresas farmacéuticas y las instituciones académicas nunca comparten todos los resultados de sus investigaciones salvo cuando se deciden a publicarlos en algún medio especializado o en el marco de acuerdos empresariales o comerciales. Y en estos casos cualquier puesta en común suele estar sujeta a un contrato de licencia o, al menos, a un acuerdo de confidencialidad entre las partes (5). La información suele almacenarse en compartimentos cerrados y estancos en las propias empresas o instituciones, que restringen el acceso a terceros. Estas “murallas chinas” no sólo impiden la innovación, sino que también privan a los pacientes de la posibilidad de poder disfrutar de sus beneficios en plazos y costes más ajustados   

  1. Un modelo basado en la escasez de información y la titularidad de los activos.

Por valor se entiende el total de “activos” que posee una entidad (patentes, compuestos en proceso de desarrollo, etc). Sin embargo, la escasez incentiva la acumulación y monopolización de recursos, que puede llegar a estrangular cualquier estrategia de innovación (6). Conforme a los planteamientos actuales conduce, la generación de innovación y valor en los sectores farmacéutico y biotecnológico se produce a través de la adquisición de activos y nuevos descubrimientos de otros actores, lo cual deriva en mega-concentraciones de empresas en el sector (7).

BBVA-OpenMind-Carlos Maria Galmarini-Smarter medical research through human-machine collaboration-kendal-james-Value is understood as the amount of “assets” an entity owns (patents, chemical agents, compounds in the pipeline)
El valor se entiende como la cantidad total de activos que posee una entidad: patentes, agentes químicos, compuestos en fase de desarrollo
  1. Un panorama de aprendizaje limitado.

La mayoría de las empresas e instituciones trabajan en sus propios procesos y metodologías patentados. No comparten información con ningún otro grupo de interés salvo en el marco de algún acuerdo en virtud del cual obtengan algún tipo de compensación o promesa de beneficios económicos futuros o potenciales(8). Esto ralentiza el proceso de aprendizaje y evolución tecnológica drásticamente, haciéndolo depender de canales jerárquicos de tomas de decisiones.

  1. Un sistema caro y arriesgado.

Para lanzar un nuevo medicamento al mercado, las empresas suelen gastar cientos de millones de dólares durante un periodo de 10 a 12 años (9). El tremendo coste de este proceso (especialmente en la etapa de ensayos clínicos), junto con las altas tasas de fracaso en el descubrimiento de nuevos medicamentos, incrementa el riesgo financiero que implica el desarrollo de fármacos.

  1. Una actitud conservadora.

Los diferentes actores involucrados en la investigación médica suelen preferir la conservación al crecimiento y los contextos familiares a los nuevos horizontes (10). En otras palabras, evitan retos e invierten con fuerza en aquello que ya conocen. Por lo tanto, las empresas en el sector médico rara vez cambian sus productos o servicios.

El resultado es un mercado agotado por una competencia excesiva, debida tanto a la elevada tasa de abandono en el descubrimiento de nuevos medicamentos como a la erosión de marcas clave por la creciente oferta de fármacos genéricos. Además, el cada vez mayor número de moléculas alternativas para tratar diferentes enfermedades ha provocado un incremento exponencial en las mejoras exigidas por las agencias responsables de la normativa sanitaria en sus procesos de evaluación de “autorizaciones de comercialización de un nuevo fármaco”. Finalmente, debido a la presión política local ejercida por las agencias sanitarias y los organismos de la seguridad social, cada vez se presta más atención a los márgenes en el precio de los medicamentos.

Una inteligencia colectiva humano/máquina para una investigación médica más inteligente

Una nueva forma de inteligencia colectiva resultante de la combinación de la capacidad de los científicos humanos y los ordenadores permitirá desarrollar capacidades analíticas colosales que mejorarán drásticamente el futuro de la salud humana (11). El binomio inteligencia artificial-científico generará un nivel exponencial de sinergias que despejaran los obstáculos a los que se enfrenta el modelo actual de I+D actual, que quedará desfasado en el corto plazo, allanando el camino para un nuevo paradigma de I+D disruptivos que puede describirse de la siguiente manera:

  1. Una visión exponencial del I+D.

Cuando se digitaliza un proceso y se alimenta con flujos de información, su desarrollo pasa a canalizarse a través de una senda de crecimiento exponencial, doblándose cada dos años (Ley de Moore) (12). En este sistema no lineal, las herramientas de inteligencia artificial superan a las herramientas de regresión y estadísticas tradicionales, y esto permite incrementar exponencialmente la calidad de los resultados obtenidos en la investigación médica.

BBVA-OpenMind-Carlos M Galmarini-Smarted Medical research-AI tools outperform traditional regression and statistical tools.
Las herramientas de inteligencia artificial superan a las herramientas de regresión y estadísticas tradicionales.
  1. Procesamiento de datos generoso y altruista.

En un entorno basado en la información, el acceso y la puesta en común de datos es más importante que su titularidad. La participación y la comunicación entre las diferentes redes y comunidades generan un crecimiento y valor exponenciales (13). Incluso los pacientes pueden contribuir al avance médico compartiendo de manera voluntaria sus historiales médicos anonimizados. Así dejan de ser espectadores para convertirse en actores clave de sus propios tratamientos médicos.

  1. Gran volumen de información y activos compartidos.

El gran volumen de información incentiva la puesta en común de datos y facilita la innovación (14). Los algoritmos informáticos son capaces de procesar datos codificados y anonimizados. Una vez de procesan los datos, estos sistemas aprenden y mejoran su conocimiento. Por lo tanto, todos los usuarios se benefician de este conocimiento compartido y mejorado. El valor que pueden extraer del mismo depende de sus propias capacidades.

  1. Un proceso de aprendizaje global y continuo.

Una de las principales ventajas de las herramientas de inteligencia artificial es su capacidad para aprender de manera progresiva con y de los datos, aun cuando no hayan sido programadas específicamente para ello.

  1. Menores costes de investigación.

Los costes asociados con la investigación médica se reducirán exponencialmente, tenderán a cero, mientras que los resultados incrementarán drásticamente al eliminarse la totalidad de procesos y gastos innecesarios dirigidos a financiar otras actividades que no sean la creación de valor (15).

  1. Una actitud disruptiva.

El nuevo paradigma promueve una cultura de experimentación computacional continua, reduciendo los costes de investigación e incrementando la innovación, dando lugar a una riqueza de información y la consiguiente reducción de costes, por lo tanto generando un ciclo de retroalimentación positivo. Este sistema beneficia más a aquellos actores capaces de experimentar más y aprender más rápidamente.

BBVA-OpenMind-Carlos Maria Galmarini-A Smarter Medical Research-Collective Intelligence (1)
Los pacientes y los ciudadanos pasan a desempeñar un papel clave en el progreso de la sanidad.

En este modelo disruptivo, las conclusiones y las decisiones se fundamentan en datos y se combinan con el trabajo de los profesionales de la salud, para mejorar el nivel de atención a los clientes, con planteamientos realmente personalizados e integrales (16). Los pacientes y los ciudadanos pasan a desempeñar un papel clave en el progreso de la sanidad y las políticas sanitarias priorizan la prevención sobre el tratamiento, gracias a la abundante información disponible. Este paradigma también debería incentivar y fomentar la democratización de los diagnósticos, permitiendo identificar los problemas de salud en etapas mucho más tempranas y, por lo tanto, reducir enormemente el coste de su tratamiento mediante medicinas más efectivas y específicas. De esta manera no sólo se mejorarán los resultados clínicos, sino que también se reducirá la carga financiera global que soportan los sistemas sanitarios. Las ventajas podrían ser aún mayores en áreas periféricas o en países en vías de desarrollo sin acceso a centros de atención de complejidad mediana/alta, puesto que permitiría a los facultativos de atención primaria realizar diagnósticos difíciles antes y determinar qué pacientes deben ser derivados a otros centros para recibir tratamiento especializado. En resumen, este esfuerzo común colosal basado en una nueva inteligencia colectiva mejorará exponencialmente la calidad de la investigación médica, dando origen a un cambio radical desde el modelo sanitario actual.

Referencias

1- https://www.statista.com/statistics/309466/global-r-and-d-expenditure-for-pharmaceuticals/

2- https://www.who.int/gho/mortality_burden_disease/life_tables/situation_trends/en/

3-https://www.who.int/gho/ncd/mortality_morbidity/en/

4-https://www.efpia.eu/publications/data-center/innovation/research-and-development-process/

5- Wang L, Plump A, Ringel M. Racing to define pharmaceutical R&D external innovation models. Drug Discovery Today 20:361-370, 2015.

6- Gold ER, Kaplan W, Orbinski J, Harland-Logan S, N-Marandi S. Are Patents Impeding Medical Care and Innovation? PLoS Medicine 7:e1000208, 2009.

7-https://www.statnews.com/2019/07/10/pharmaceutical-mergers-stifle-innovation/

8- Birnbaum MJ. Pharma and Academia: What we have here is a failure to communicate. Cell Metab 24:365-367, 2016.

9- Mullard. A new drugs cost US$2.6 billion to develop. Nature Reviews Drug Discovery 13:877, 2014.

10- https://www.bloomberg.com/news/articles/2017-11-30/pharma-s-status-quo-may-be-doomed

11- https://www.forbes.com/sites/tomdavenport/2018/11/18/the-state-of-ai-in-pharmaceutical-drug-development/#43ec4e791f45

12- Ismail S. Exponential organizations. Ed. Diversion Books, New York, NY, USA. 2014.

13-https://www.mckinsey.com/industries/pharmaceuticals-and-medical-products/our-insights/r-and-d-in-the-age-of-agile?cid=other-eml-alt-mip-mck-oth-1810&hlkid=e33395070af2423190bedaa549d855e3&hctky=10304845&hdpid=8392416e-cf0f-4801-b7d7-33827d1ef9a2

14- Tormay P. Big Data in pharmaceutical R&D: Creating a sustainable R&D engine. Pharm Med 29:87–92, 2015.

15-https://www.lifescienceintegrates.com/the-disruptive-power-of-pharma-ai/

16- Shah P, Kendall F, Khozin S, Goosen R, Hu J, Laramie J, Ringel M, Schork N. Artificial intelligence and machine learning in clinical development: a translational perspective. NPJ Digit Med 2:69-74, 2019.

 

Comentarios sobre esta publicación

El nombre no debe estar vacío
Escribe un comentario aquí…* (Máximo de 500 palabras)
El comentario no puede estar vacío
*Tu comentario será revisado antes de ser publicado
La comprobación captcha debe estar aprobada