Revista Farmespaña Industrial Mayo - Junio 2024

tamente identificados para no confundirse, ya que no pueden reutilizarse para los diferentes objetivos: pruebas, entrenamientoyvalidación. En la Fase de Operación se monitoriza y evalúa el comportamiento del sistema. Se trata de un proceso continuo, que puede ali- mentarse con nuevos datos que pasan por la Fase de Proyecto anterior. Esto requiere una gestión de cambios, una gestión de la confi- guración y un control de versiones del mode- lo eficaces. Consideraciones desde el punto de vista de calidad Dentro de todas las actividades que com- prenden este ciclo de vida, adicionalmente, es conveniente tener en cuenta las siguientes consideraciones: 1. Se debe identificar correctamente el pro- blema que se desea resolver con AI/ML, establecer los requerimientos, acotar el alcance y definir objetivos específicos y medibles. 2. Ya en la Fase de Concepto, se tiene que ser realista con las capacidades de la em- presa para abordar un proyecto de ML. Es esencial invertir en la infraestructura tec- nológica adecuada y en la capacitación del personal. El cumplimiento normativo se debe integrar a lo largo de todo el proyecto, empezando en la Fase de Concepto. Para ello, se requiere la colaboración entre los equipos de IT, científicos de datos y garan- tía de calidad. Las sinergias generadas en un equipomultidisciplinar permitirán que la solución de AI/ML sea tecnológicamen- te adecuada y que además esté alineada con las normativas farmacéuticas y las ne- cesidades operativas de la empresa. 3. En esta misma fase, también se deben considerar factores relacionados con los datos que se van a utilizar, como la fuen- te, la estructura, el formato y la segmen- tación. La calidad de los datos es fundamental para el éxito de cualquier proyecto de AI/ ML. La empresa deberá establecer riguro- sos procesos de limpieza y validación de datos, asegurando que los datos utilizados sean precisos, completos y relevantes. Es importante documentar todo el pro- ceso de preparación de los datos, ya que esta información tendrá que tenerse en cuenta en la construcción de las pruebas que validarán el modelo. Los datos utilizados en los modelos de ML tienen que cumplir los siguientes prin- cipios, conocidos con las siglas FAIR: − Findable (encontrables) − Accessible (accesibles) − Interoperable (interoperables) − Reusable (reutilizables) Por otro lado, en los modelos se toma- rán en consideración estos cinco princi- pios básicos: − Transparency - o cómo se comporta- rán los modelos − Reproducibility - o cómo se podrá confiar en los resultados − Interpretability - o qué podrá producir los resultados − Applicability - o cómo se aplicarán los modelos − Liability - o quién será el responsable último 4. Si la empresa tiene la intención de obte- ner y/o utilizar datos externos (proceden- tes de una fuente abierta o de informa- ción pública), antes deberá asegurarse de que tiene derecho a usar dichos datos y que cumple con las normativas de pro- tección de datos vigentes en cada país. Se podrá considerar la necesidad de eli- minar ciertos atributos de los datos para convertirlos en anónimos. 5. Durante la Fase de Proyecto, si se consi- dera adecuado, se pueden desarrollar herramientas adicionales de soporte, que respalden la construcción de modelos o la preparación de datos. Si éstas no pasan a la Fase de Operación, es posible que no estén sujetas a los mismos requerimien- tos regulatorios. En cualquier caso, se recomienda la realización de un análisis de riesgos previo para confirmar esta su- posición. 6. Para decidir el algoritmo más adecuado y la forma de entrenarlo y evaluarlo, se tienen que considerar las diferentes op- ciones disponibles y compararlas con los requisitos operativos, de comportamien- to y reglamentarios pertinentes. 7. Para evaluar el comportamiento del mo- delo y ajustar los parámetros, durante el entrenamiento, el conjunto de datos seleccionados para este fin alimenta el modelo y la salida resultante se compara con la realidad de los datos de entrena- miento. 8. El conjunto de datos de validación se usa para evaluar que el modelo fue bien entrenado y ayuda a ajustarlo, si se re- quiere. 9. Durante la Fase de Operación, el subsis- tema AI/ML debe monitorizarse y mante- nerse de forma continua. Los cambios se gestionarán de forma diferente según si el sistema es estático o dinámico. Para los sistemas estáticos, donde los cambios son conocidos y controlados, tanto en los datos como en el propio algoritmo, es suficiente con gestionarlos de acuerdo con el procedimiento de ges- tión de cambios de la empresa, realizan- do un análisis de riesgos para garantizar que el cambio se prueba rigurosamente antes de la implantación. Para los sistemas dinámicos, donde se realiza aprendizaje online continuo de manera que los parámetros del modelo se actualizan o se utilizan datos no su- pervisados previamente, se deben defi- nir métricas, KPIs o límites de tolerancia aceptables que permitan garantizar que el algoritmo sigue funcionando según el uso previsto. Futuro de AI/ML en la industria farmacéutica Adentrarse en el mundo de la AI/ML actual- mente es una opción, pero pronto será una necesidad para mantenerse competitivos. La implantación de estas nuevas herra- mientas supone un reto importante para la industria farmacéutica, desde el punto de vista de transformación tecnológica, mien- tras está obligada a cumplir con los reque- rimientos normativos ya existentes. Sin embargo, basándose en una estrategia bien definida, con los recursos técnicos y huma- nos adecuados y aplicando correctamente los principios de GxP, ALCOA+, análisis de riesgos, documentación, control de cam- bios, control de versiones y validación, se pueden conseguir mejoras sustanciales en la eficiencia y la calidad de los procesos farma- céuticos, mientras se garantiza la seguridad del paciente, la calidad del producto y la in- tegridad de los datos ◉ Referencias • GAMP 5 second edition, A risk-Based Approach to Compliant GxP Computerized Systems, 2022 ISPE • U. S. Food and Drug Administration (FDA). Pro- posed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ ML) - Based Software as a Medical Device (SaMD) https://www.fda.gov/media/122535/download NORMATIVA Y LEGISLACIÓN 48 FARMESPAÑA INDUSTRIAL · MAY/JUN 24