Uso de Inteligencia Artificial como herramienta para optimizar la Detección de Señales en Farmacovigilancia

Por otro lado, el desarrollo de terapias avanzadas tales como productos biológicos, terapias génicas y medicamentos de medicina de precisión, suele presentar mecanismos de acción complejos que requieren enfoques analíticos más sofisticados para un adecuado seguimiento, por lo que plantea nuevos retos en materia de seguridad. El uso de inteligencia artificial en FV podría responder a la necesidad de adaptación del sector a las nuevas tecnologías como consecuencia de su auge en las últimas décadas y las diversas necesidades emergentes.

En concreto, la detección de señales es una actividad analítica fundamental en farmacovigilancia orientada a identificar nuevos aspectos relacionados con el perfil de seguridad de un medicamento. Se trata de un proceso de vigilancia continuo que se lleva a cabo a lo largo de todo el ciclo de vida del fármaco, desde la fase de desarrollo clínico hasta el fin de su comercialización. Su importancia radica en la identificación temprana de riesgos, lo que permite implementar medidas oportunas para proteger la seguridad del paciente. El término «señal» se refiere a la información procedente de una o varias fuentes, incluidas observaciones y experimentos, de la cual se desprende una posible nueva asociación causal (o un nuevo aspecto de una asociación ya conocida) entre una intervención y un acontecimiento o una serie de acontecimientos relacionados, ya sean adversos o beneficiosos, cuya probabilidad se considera que justifica una verificación.

En este contexto, la inteligencia artificial ofrece capacidades alternativas para optimizar el análisis de grandes volúmenes de datos complejos, tanto estructurados como no estructurados, de manera rápida y consistente, permitiendo así identificar patrones ocultos y relaciones significativas que pueden pasar desapercibidas mediante métodos convencionales. Esto permite dar prioridad a las señales que afectan la seguridad de los pacientes, disminuyendo de forma significativa el tiempo entre su detección y validación, y facilitando así la implementación de las medidas necesarias.

Entre las principales tecnologías de inteligencia artificial que podría usarse en este ámbito fundamental de la farmacovigilancia, se pueden destacar las siguientes:

• Procesamiento del Lenguaje Natural (PLN):  El PLN permite la extracción automatizada de información relevante a partir de textos no estructurados, como narrativas clínicas, artículos científicos y comentarios de pacientes. Esto facilita la identificación de eventos adversos, su relación con el medicamento y patrones de posibles riesgos.
• Aprendizaje Automático (Machine Learning, ML): Los algoritmos de ML pueden ser entrenados para clasificar eventos adversos, predecir casos de riesgo y descubrir patrones previamente no reconocidos. A medida que se alimentan con más datos, estos modelos mejoran su rendimiento predictivo y su capacidad para priorizar información relevante.
• Minería de Datos: Las técnicas de minería de datos permiten identificar relaciones ocultas y tendencias a través del análisis de grandes bases de datos como, por ejemplo, EudraVigilance o el sistema de notificación de la FDA (FAERS).

Una posible estructura del proceso de detección de señales mediante inteligencia artificial podría comprender las siguientes etapas:

1. Ingesta y Normalización de Datos: El proceso se inicia con la recopilación de datos de seguridad. Esta etapa incluye:
   • La limpieza de datos, que consiste en eliminar el contenido irrelevante.
   • La eliminación de duplicados, para descartar casos repetidos.
   • La normalización de los datos, lo que implica estandarizar los formatos y la terminología entre distintos conjuntos de datos, con el fin de garantizar la coherencia y la calidad de la información.
2. Extracción de Características: Una vez recogidos todos los datos necesarios, se emplean técnicas de PLN para extraer información clave a partir de texto no estructurado, por ejemplo, para identificar las asociaciones entre medicamentos y eventos adversos. A continuación, se realiza la codificación médica, generalmente utilizando vocabularios estandarizados como MedDRA (Diccionario Médico para Actividades Reguladoras), con el objetivo de categorizar de manera uniforme los eventos adversos y los nombres de los medicamentos.
3. Entrenamiento y Evaluación del Modelo: En esta etapa se desarrollan y ajustan los modelos de aprendizaje automático para que se puedan identificar señales. Existen principalmente dos enfoques:
   • Aprendizaje supervisado: en el que se utilizan datos etiquetados de antemano para enseñar al modelo a reconocer situaciones similares.
   • Aprendizaje no supervisado:  donde no se proporcionan etiquetas y el modelo busca por sí mismo patrones o agrupaciones que podrían sugerir nuevas señales de seguridad.
4. Priorización y Visualización: Una vez identificadas las señales potenciales, los algoritmos ayudan a priorizar cuales deben ser revisadas por los especialistas en FV.

Otro aspecto que cabe destacar de las aplicaciones de inteligencia artificial en FV, es que deben cumplir con rigurosos estándares de validación para su aceptación regulatoria tales como sensibilidad (detección de señales verdaderas) o especificidad (exclusión de falsos positivos). Las agencias reguladoras como la Agencia Europea de Medicamentos (EMA) y la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) han subrayado la importancia de la aplicabilidad y la trazabilidad de los modelos de aprendizaje.

Entre los principales retos para la adopción generalizada de la inteligencia artificial en FV se encuentran:

• La necesidad de desarrollar y garantizar unos algoritmos transparentes, interpretables y auditables.
• La protección de la privacidad de los datos y la capacidad de garantizar la interoperabilidad entre los distintos sistemas y fuentes de información.
• La adaptación a marcos regulatorios en constante evolución.

Ante estos desafíos, es fundamental fomentar un enfoque interdisciplinario y ético, que asegure la confiabilidad, la seguridad y la equidad en el uso de la inteligencia artificial en FV. 

Aun considerando estos condicionantes, es innegable que la inteligencia artificial representa un avance significativo y transformador en la forma en que se recopilan, gestionan y analizan los datos de seguridad de medicamentos. Esto se debe a su capacidad para extraer información significativa de fuentes diversas, identificar señales con mayor eficiencia y reducir la carga operativa para los especialistas en FV. 

En definitiva, aunque la implementación de la inteligencia artificial en detección de señales en FV aún se encuentra en una etapa inicial, se espera que esta tecnología juegue un papel cada vez más importante en la optimización de este proceso. Para alcanzar este potencial, es fundamental desarrollar y promover más estudios y de mayor calidad que examinen su eficacia y utilidad en FV. Continuando con esta tendencia, la inteligencia artificial podrá convertirse en una herramienta innovadora para transformar la FV y optimizar y mejorar la supervisión de la seguridad del paciente.