Parte 2 de 5 — Retrospectiva de los datos de entrenamiento: cómo los datos archivados de ensayos clínicos están enseñando a la IA a diseñar el próximo ensayo

ARCHIVO DE DATOS DE ENSAYOS CLÍNICOS — PARTE 2/5

La primera parte de esta serie cubrió la dimensión uno: del centro de costos a los activos estratégicos. Esta publicación cubre la dimensión dos: cómo los datos retrospectivos se convierten en datos de entrenamiento para modelos de IA/ML. En enero de 2026, la FDA y la EMA publicaron conjuntamente los "Principios rectores de las buenas prácticas de IA en el desarrollo de fármacos", un marco compartido para la creación, documentación y validación de modelos de IA en el desarrollo de fármacos. Este documento sigue el borrador de la guía de IA de la FDA de enero de 2025 y se basa en el "Consejo de IA" de 2024 del CDER. El CDER ya ha revisado más de 500 solicitudes relacionadas con la IA desde 2016.

Sin embargo, si se lee entre líneas, el verdadero problema no reside en el modelo, sino en los datos con los que se entrenó. La credibilidad de un modelo depende de la representatividad de sus datos de entrenamiento, de su coherencia en el etiquetado y de su trazabilidad. Los reguladores ya no se limitan a preguntar si funciona, sino que preguntan de dónde provienen los datos de entrenamiento y si se puede demostrar su autenticidad.

Esa pregunta ya tiene una respuesta concreta: la misma con la que comenzó esta serie de artículos. La aprobación por parte de la FDA en 2020 de Koselugo (selumetinib) para la neurofibromatosis tipo 1 pediátrica, presentada por AstraZeneca y Merck y tratada en la primera parte, se basó en un grupo de control externo creado a partir de un estudio de historia natural y un grupo placebo archivado de un ensayo de fase II anterior, en lugar de reclutar una nueva cohorte placebo en una población pediátrica con una enfermedad extremadamente rara. Se trata de un resultado regulatorio publicado y cuantificado, que dependió del mismo requisito que cualquier programa de entrenamiento de IA: datos archivados lo suficientemente limpios y estructurados para el entrenamiento, y con la trazabilidad necesaria para su defensa ante los organismos reguladores.

Nada de eso se consigue simplemente indicando al modelo una carpeta con datos antiguos de ensayos clínicos. Convertir un archivo en datos de entrenamiento utilizables sigue un proceso bastante consistente, y Koselugo ya lo había implementado en gran parte en aquel entonces, aunque nadie lo denominó así.

• Armonizar con un modelo de datos común. El grupo de control externo de Koselugo reunió a aproximadamente 50 pacientes de un estudio de historia natural con aproximadamente 50 del grupo placebo del estudio SPRINT de fase II anterior. Ninguna de las fuentes compartía un modelo de datos, por lo que el volumen del tumor, los intervalos de visita y las definiciones de los criterios de valoración tuvieron que ser reestructurados antes de poder comparar a cualquier paciente entre las fuentes.
• Reconciliar la terminología y volver a derivar las etiquetas. La "respuesta" y la progresión de la enfermedad se recalcularon utilizando una definición coherente en ambos estudios, y no la que hubieran utilizado en su momento los estadísticos de cada estudio original.
• Anonimizar y vincular a nivel de paciente. Cada registro de ambas fuentes se tokeniza de la misma manera, por lo que los pacientes pueden agruparse sin exponer su identidad ni ser contados dos veces si aparecen en más de una fuente.
• Diseñar un conjunto de características básicas estándar. La edad, el volumen tumoral basal, el genotipo y la gravedad de la enfermedad se extraen en un vector de características coherente: los mismos campos, medidos de la misma manera, para cada paciente, independientemente de la fuente.
• Filtre para seleccionar una cohorte elegible y, a continuación, empareje la entrada con el resultado. Aplique los criterios de elegibilidad del nuevo ensayo a ambos archivos, reduciendo el grupo a los aproximadamente 50 pacientes por fuente que realmente cumplen los requisitos, y luego empareje las características basales de cada paciente (entrada) con su resultado registrado (objetivo).
• Igualar o modelar la trayectoria del resultado. Koselugo empleó el enfoque más sencillo: la comparación basada en la similitud, donde los resultados reales de pacientes históricos comparables sirven como referencia. La alternativa más compleja, un modelo generativo que muestrea trayectorias sintéticas, representa el extremo más reciente y menos probado del mismo espectro.
• Realizar estudios completos, en miniatura. Koselugo combinó solo dos estudios de origen, pero se aplicó el mismo principio: los revisores necesitaban la garantía de que los pacientes del grupo de comparación no se vieran influenciados por los datos del grupo de tratamiento; el mismo aislamiento que protege mantener un estudio completo a mayor escala.
• Calibrar con resultados reales. Los revisores de la FDA tuvieron que comprobar que las características basales y las trayectorias de los pacientes emparejados coincidían realmente con las del grupo tratado antes de aceptar la comparación; la misma verificación que necesita cualquier versión de este proceso antes de que se pueda confiar en sus resultados.
• Introduzca los resultados en el archivo. El comparador de Koselugo se construyó una sola vez, para una única presentación. Un proceso reutilizable lo convierte en un archivo que se actualiza continuamente: la "supervisión del ciclo de vida" que exigen los principios de la FDA/EMA, y a lo que apunta el programa piloto de ensayos clínicos en tiempo real de la primera parte del blog.

Los principios de la FDA/EMA exigen una «gestión sólida de la calidad y procedencia de la información», pero no especifican cómo, ya que el marco debe adaptarse al diseño de ensayos clínicos, la farmacovigilancia y la fabricación. Es ahí donde la norma ISO/IEC 42001:2023 entra en juego. Publicada en diciembre de 2023 como la primera norma internacional de gestión de IA, exige a las organizaciones certificadas que realicen evaluaciones documentadas de riesgos y sesgos, mantengan la trazabilidad de los datos a lo largo del ciclo de vida de la IA y conserven un registro de auditoría que los reguladores puedan revisar. Por ello, ya se está posicionando en el sector de las ciencias de la vida como la vía práctica para generar confianza en la FDA, la EMA y la MHRA antes de que todo esto se convierta en obligatorio.

Ese “cómo” se desglosa en requisitos concretos que se corresponden directamente con la norma ISO 42001, y los principios de la FDA/EMA los hacen prácticamente obligatorios:

• Cohortes representativas y auditadas en cuanto a sesgos (requisito de evaluación de sesgos de la norma ISO 42001). Los patrocinadores deben comprobar quiénes participaron en los ensayos archivados y quiénes no, antes de la capacitación, o un "gemelo digital" simplemente volverá a aprender los antiguos puntos ciegos como si fueran la verdad clínica.
• Etiquetas estructuradas, no texto libre (requisito de integridad de datos de la norma ISO 42001). Los ensayos más antiguos a menudo registraban los resultados en formularios de informe de casos no estructurados. Primero, estandarícelos con etiquetas coherentes y estructuradas, y no simplemente con lo que un codificador haya escrito hace años.
• Procedencia a nivel de estudio (requisito de trazabilidad de la norma ISO 42001). Los patrocinadores deben saber con exactitud qué pacientes y estudios forman parte del conjunto de entrenamiento y cuáles del conjunto de validación, o un modelo puede parecer validado cuando en realidad solo ha memorizado datos que ya ha visto.
• Fichas de datos con control de versiones (requisito de la norma ISO 42001 para el registro de auditoría). Los principios de la FDA/EMA instan a los patrocinadores a documentar los datos de entrenamiento en sí mismos (procedencia, versión, limitaciones conocidas) con el mismo rigor que el modelo.
• Cálculo que preserva la privacidad para la agrupación de datos entre patrocinadores. Ningún archivo individual contiene suficientes pacientes. El aprendizaje federado y los datos sintéticos permiten que múltiples organizaciones entrenen un modelo compartido sin que los datos brutos de los pacientes salgan de su sistema de origen.
• Detección de desviaciones (principio de supervisión del ciclo de vida de la FDA/EMA). Un modelo entrenado con datos de 2015 a 2020 necesita una verificación incorporada para cuando la población de un nuevo ensayo ya no se parece a la de la que aprendió o cuando "validado" simplemente significa "validado en una población que ya no existe".
• Un ciclo de revisión humana documentado (la expectativa de supervisión humana de la FDA/EMA). Los expertos clínicos aún necesitan una forma rastreable de cuestionar o anular los resultados del modelo antes de que estos influyan en una decisión regulatoria, para que el modelo no tenga la última palabra.

Si se omite cualquiera de estos pasos, los "datos de entrenamiento" no son más que datos antiguos con una nueva etiqueta, que es precisamente el tipo de uso de la IA que los reguladores están ahora dispuestos a rechazar.

Sin embargo, lograr que el archivo esté "listo para la IA" es solo la mitad del trabajo. El último artículo de mi colega retoma el tema justo donde termina este: qué sucede una vez que a esos datos gobernados se les hacen preguntas directamente, en lenguaje sencillo, con citas adjuntas: De "Listo para la IA" a "Activado por la IA": La detección y la solicitud de datos ya están aquí.

Si trabajas en bioestadística, ciencia de datos o asuntos regulatorios: cuando tu organización habla de "utilizar IA en nuestros datos históricos de ensayos clínicos", ¿alguien ha documentado los datos de entrenamiento con el mismo rigor que el modelo, incluyendo su procedencia, representatividad y demás?

A continuación, en esta serie: tercera dimensión: cómo la carga administrativa derivada de sistemas dispares y fusiones y adquisiciones se está convirtiendo en una ventaja unificada para la investigación interterapéutica.

Preguntas Frecuentes

¿Cómo se pueden utilizar los datos archivados de ensayos clínicos para entrenar modelos de IA?

Los datos archivados de ensayos clínicos se pueden limpiar, armonizar, anonimizar, etiquetar y estructurar en conjuntos de datos de entrenamiento que ayudan a los modelos de IA a aprender de poblaciones históricas de pacientes, resultados de ensayos y patrones clínicos.

¿Por qué son importantes los datos de los ensayos clínicos para la IA en el desarrollo de fármacos?

Los datos de los ensayos clínicos proporcionan evidencia histórica sobre las poblaciones de pacientes, los tratamientos, los resultados, la seguridad y la progresión de la enfermedad, lo que puede ayudar a los modelos de IA a respaldar el desarrollo clínico y el diseño de ensayos.

¿Qué características hacen que los datos de ensayos clínicos sean adecuados para el entrenamiento de la IA?

Los datos de ensayos clínicos preparados para la IA deben ser representativos, estar etiquetados de forma coherente, armonizados, ser rastreables, anonimizados y contar con una procedencia y una gobernanza claras.

¿Cómo deben prepararse los datos históricos de ensayos clínicos para la IA?

Los datos históricos deben estandarizarse, armonizarse con modelos de datos comunes, asignarse a una terminología coherente, anonimizarse, validarse y documentarse con información sobre su procedencia a nivel de estudio antes de ser utilizados para el entrenamiento de la IA.

¿Por qué es importante la procedencia de los datos para los modelos de IA en la investigación clínica?

La procedencia de los datos permite a los investigadores y reguladores comprender de dónde provienen los datos de entrenamiento, cómo se transformaron y qué estudios y pacientes se incluyeron.

¿Cómo pueden las organizaciones reducir el sesgo en los datos de entrenamiento de IA procedentes de ensayos clínicos?

Las organizaciones pueden evaluar si los conjuntos de datos históricos representan adecuadamente a las poblaciones de pacientes relevantes, identificar grupos faltantes o subrepresentados y documentar posibles fuentes de sesgo antes de entrenar los modelos.

¿Qué son los datos de ensayos clínicos preparados para la IA?

Los datos de ensayos clínicos preparados para la IA son datos estructurados, estandarizados, trazables, controlados y legibles por máquina que pueden utilizarse de forma segura para el desarrollo, la validación y el análisis de la IA.

¿Cómo pueden los datos archivados de ensayos clínicos ayudar a diseñar futuros ensayos clínicos?

Los datos históricos de ensayos clínicos pueden ayudar a identificar las características de los pacientes, los patrones de tratamiento, los resultados y otras señales históricas que sirven de base para el diseño y la planificación de futuros ensayos.

¿Cómo se deben validar los modelos de IA que utilizan datos de ensayos clínicos?

Los modelos deben evaluarse utilizando conjuntos de datos de validación apropiados, poblaciones representativas, separación a nivel de estudio, calibración de resultados y evidencia documentada que respalde su uso previsto.

¿Por qué es importante la supervisión humana al utilizar la IA en el desarrollo de fármacos?

La supervisión humana permite a los expertos clínicos y regulatorios revisar, cuestionar o anular los resultados de la IA antes de que influyan en decisiones clínicas o regulatorias importantes.

Referencias

• FDA de EE. UU., “Inteligencia artificial para el desarrollo de fármacos”; FDA/EMA, “Principios rectores de las buenas prácticas de IA en el desarrollo de fármacos” (enero de 2026); Jones Day, “EMA y FDA se alinean en las buenas prácticas de IA en el desarrollo de fármacos” — fda.gov/about-fda/center-drug-evaluation-and-research-cder/artificial-intelligence-drug-development | ema.europa.eu/en/documents/other/guiding-principles-good-ai-practice-drug-development_en.pdf | jonesday.com/en/insights/2026/01/ema-and-fda-align-on-good-ai-practice-in-drug-development
• Norma ISO/IEC 42001:2023; Axendia, “El estándar de IA que las ciencias de la vida no pueden permitirse ignorar” — iso.org/estándar/42001 | axendia.com/blog/2025/08/11/iso-iec-420012023-the-ai-standard-life-sciences-cant-afford-to-ignore
• Revista Wiley de Química, revisión crítica del borrador de la guía de la FDA sobre IA — onlinelibrary.wiley.com/doi/10.1155/joch/5202999
• Clinical Trials Arena, “Grupos de control externos” (Koselugo) — clinicaltrialsarena.com/features/external-control-arms

DESCARGO DE RESPONSABILIDAD: EL CONTENIDO, LAS OPINIONES Y LOS PUNTOS DE VISTA EXPRESADOS EN ESTE BLOG SON EXCLUSIVAMENTE LOS DEL AUTOR O LOS AUTORES Y NO REFLEJAN LA POLÍTICA O POSICIÓN OFICIAL DE SOLIX TECHNOLOGIES, INC., SUS AFILIADOS O SOCIOS. ESTE BLOG SE OPERA DE FORMA INDEPENDIENTE Y NO ES REVISADO NI RESPALDADO POR SOLIX TECHNOLOGIES, INC. EN UNA CAPACIDAD OFICIAL. TODAS LAS MARCAS COMERCIALES, LOGOTIPOS Y MATERIALES CON DERECHOS DE AUTOR DE TERCEROS A LOS QUE SE HACE REFERENCIA EN ESTE DOCTORADO SON PROPIEDAD DE SUS RESPECTIVOS DUEÑOS. CUALQUIER USO ES ESTRICTAMENTE PARA FINES DE IDENTIFICACIÓN, COMENTARIO O EDUCATIVOS BAJO LA DOCTRINA DE USO JUSTO (LEY DE DERECHOS DE AUTOR DE EE. UU. § 107 Y EQUIVALENTES INTERNACIONALES). NO SE IMPLICA PATROCINIO, APOYO NI AFILIACIÓN CON SOLIX TECHNOLOGIES, INC. EL CONTENIDO SE PROPORCIONA "TAL CUAL", SIN GARANTÍAS DE EXACTITUD, INTEGRIDAD O IDONEIDAD PARA NINGÚN PROPÓSITO. SOLIX TECHNOLOGIES, INC. RENUNCIA A TODA RESPONSABILIDAD POR LAS ACCIONES TOMADAS CON BASE EN ESTE MATERIAL. LOS LECTORES ASUMEN TODA LA RESPONSABILIDAD POR EL USO DE ESTA INFORMACIÓN. SOLIX RESPETA LOS DERECHOS DE PROPIEDAD INTELECTUAL. PARA ENVIAR UNA SOLICITUD DE RETIRADA DE MATERIALES DE ACUERDO CON LA DMCA, ENVÍE UN CORREO ELECTRÓNICO A INFO@SOLIX.COM CON: (1) LA IDENTIFICACIÓN DE LA OBRA, (2) LA URL DEL MATERIAL INFRACTOR, (3) SUS DATOS DE CONTACTO Y (4) UNA DECLARACIÓN DE BUENA FE. LAS RECLAMACIONES VÁLIDAS RECIBIRÁN ATENCIÓN INMEDIATA. AL ACCEDER A ESTE BLOG, ACEPTA ESTE DESCARGO DE RESPONSABILIDAD Y NUESTROS TÉRMINOS DE USO. ESTE ACUERDO SE RIGE POR LAS LEYES DE CALIFORNIA.