«`html
La inteligencia artificial transforma los ensayos clínicos, pero los desafíos siguen siendo inmensos
La inteligencia artificial se impone progresivamente en el ámbito de los ensayos clínicos, prometiendo acelerar la investigación médica, reducir costos y mejorar la eficacia de los tratamientos. Sin embargo, su integración plantea preguntas complejas que van más allá de las simples promesas tecnológicas.
En el diseño de protocolos, la inteligencia artificial permite ahora generar automáticamente documentos complejos a partir de simples resúmenes proporcionados por los investigadores. Esto reduce considerablemente el tiempo necesario para redactar protocolos detallados, una tarea antes larga y tediosa. No obstante, esta rapidez conlleva riesgos, como el de divulgar información sensible sobre medicamentos o diseños innovadores cuando estos datos se introducen en sistemas externos. Los modelos predictivos, por su parte, analizan bases de datos históricas para anticipar resultados operativos clave, como la capacidad de alcanzar los objetivos de reclutamiento o identificar los criterios de inclusión óptimos. Estas herramientas ayudan a evitar fracasos costosos, pero su eficacia depende en gran medida de la calidad y representatividad de los datos utilizados.
El reclutamiento de pacientes, a menudo fuente de retrasos en los ensayos, también se beneficia del aporte de la inteligencia artificial. Sistemas avanzados analizan millones de documentos médicos en tiempo récord para identificar candidatos elegibles. Por ejemplo, una plataforma procesó más de 83 millones de documentos en menos de dos semanas, generando miles de millones de términos médicos estandarizados. Estas tecnologías permiten reducir a la mitad el tiempo de cribado manual, liberando así tiempo para los equipos médicos. Además, revelan que muchos criterios de elegibilidad excluyen innecesariamente a pacientes sin afectar los resultados terapéuticos. Al flexibilizar estas reglas, los ensayos podrían incluir el doble de participantes manteniendo su seguridad.
Sin embargo, el rendimiento de estos sistemas varía. Algunos alcanzan altas tasas de recuperación, identificando a la mayoría de los pacientes elegibles, pero con una precisión a veces baja, lo que significa que también incluyen candidatos no elegibles. Por el contrario, un sistema muy preciso reduce la carga de trabajo para los revisores humanos, pero corre el riesgo de excluir a pacientes válidos. Los avances recientes, como los modelos que combinan recuperación y generación de datos, muestran resultados prometedores con tasas de exactitud superiores al 97 %, superando incluso a los coordinadores humanos en ciertas tareas.
El análisis de datos representa otro ámbito donde la inteligencia artificial marca puntos. Permite procesar conjuntos de datos complejos, como los provenientes de dispositivos conectados o imágenes médicas, ofreciendo una riqueza de información sin precedentes. No obstante, persiste un debate entre los métodos tradicionales de estadística y los modelos modernos. Los enfoques clásicos, como la regresión logística, ofrecen una transparencia inigualable, permitiendo comprender claramente la influencia de cada variable. Los modelos de inteligencia artificial, aunque a menudo más precisos, funcionan como cajas negras, lo que dificulta descifrar su razonamiento interno. Esta opacidad plantea un desafío mayor para la adopción clínica, ya que los médicos dudan en seguir recomendaciones que no comprenden, especialmente en situaciones críticas.
Los sesgos algorítmicos constituyen otro obstáculo importante. Los sistemas pueden perpetuar, e incluso amplificar, desigualdades existentes si los datos utilizados para su entrenamiento reflejan disparidades históricas. Por ejemplo, un algoritmo ampliamente utilizado en Estados Unidos para evaluar las necesidades de cuidados intensivos favoreció a los pacientes blancos en perjuicio de los pacientes negros, ya que utilizaba los costos de salud pasados como indicador de las necesidades futuras, un criterio sesgado por desigualdades estructurales. Asimismo, herramientas de diagnóstico cardiovascular entrenadas principalmente con datos masculinos muestran una precisión reducida para las mujeres, cuyos síntomas suelen diferir. Estos sesgos subrayan la importancia de diversificar los equipos de desarrollo y los conjuntos de datos para garantizar resultados equitativos.
La transparencia de los modelos también es un tema crucial. Los clínicos y los pacientes deben poder entender cómo se tomó una decisión, especialmente cuando esta tiene un impacto directo en vidas. Métodos de explicación post-hoc, como LIME o SHAP, intentan hacer los modelos más comprensibles identificando los factores más influyentes para una predicción dada. Sin embargo, estas explicaciones siguen siendo aproximaciones y pueden ser engañosas. Algunos modelos, diseñados para ser intrínsecamente interpretables, como los árboles de decisión, ofrecen una alternativa, aunque su precisión puede ser inferior a la de los modelos complejos.
Los desafíos no son solo técnicos. La integración de la inteligencia artificial en los ensayos clínicos plantea preguntas éticas y jurídicas no resueltas. ¿Quién es responsable en caso de error médico que involucre a un sistema de inteligencia artificial? ¿El desarrollador, la institución médica, el clínico o el paciente? La difusión de esta responsabilidad, a menudo llamada el «problema de las muchas manos», complica la atribución de culpas y puede dejar a los pacientes sin un recurso claro. Algunos proponen una responsabilidad colectiva, donde todos los actores involucrados compartirían la carga, pero este enfoque aún está por desarrollarse.
La propiedad de los datos y el consentimiento de los pacientes también plantean problemas. En un ensayo tradicional, un paciente consiente el uso de sus datos para un objetivo preciso y limitado en el tiempo. Con la inteligencia artificial, los datos a menudo se reutilizan indefinidamente para entrenar y mejorar modelos, lo que plantea preguntas sobre su propiedad y control. Los modelos de soberanía de datos, donde los pacientes conservan un control granular sobre su información, emergen como una posible solución, pero su implementación a gran escala sigue siendo compleja.
Los sistemas descentralizados, como el aprendizaje federado y la blockchain, ofrecen pistas para superar los obstáculos relacionados con la confidencialidad y el acceso a los datos. El aprendizaje federado permite entrenar modelos con datos distribuidos en varias instituciones sin centralizar nunca la información sensible. Sin embargo, este enfoque enfrenta desafíos prácticos, como la heterogeneidad de los datos entre los sitios, que puede degradar el rendimiento del modelo global. La blockchain, por su parte, podría garantizar la integridad y trazabilidad de los datos, pero su adopción se enfrenta a problemas de escalabilidad, consumo energético y conformidad con regulaciones sobre protección de datos, como el derecho al olvido.
Los costos y las ganancias de eficiencia promovidos por la inteligencia artificial suelen destacarse. Estudios muestran que el reclutamiento en línea reduce los costos por paciente de 199 a 72 dólares y acelera significativamente el proceso. Otros informes indican una reducción del 10 al 15 % en los tiempos de inscripción en ensayos piloto. Sin embargo, estas cifras suelen provenir de estudios financiados por la industria o informes internos, que pueden estar sesgados o carecer de validación independiente. Los análisis económicos rigurosos siguen siendo escasos, y los resultados disponibles muestran lagunas metodológicas importantes.
Finalmente, el impacto de la inteligencia artificial en la carga de trabajo de los clínicos y la experiencia de los pacientes es ambivalente. Si algunas herramientas automatizan tareas administrativas tediosas, liberando tiempo para la atención directa, otras pueden, por el contrario, aumentar la carga al requerir una verificación constante de los resultados generados. Los pacientes, por su parte, oscilan entre la esperanza de diagnósticos más precisos y tratamientos personalizados, y el temor a la pérdida de confidencialidad o la reducción de las interacciones humanas. Una encuesta reciente revela que el 60 % de los estadounidenses se sentirían incómodos si su proveedor de atención médica se basara en la inteligencia artificial para tomar decisiones médicas.
«`
Documentation et sources
Document de référence
DOI : https://doi.org/10.1007/s10791-026-10205-x
Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review
Revue : Discover Computing
Éditeur : Springer Science and Business Media LLC
Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle