Desarrollar un nuevo fármaco es un proceso largo, costoso y altamente incierto: puede prolongarse durante más de una década y, aun así, solo uno de cada diez compuestos logra finalmente la aprobación. Una de las principales dificultades no está únicamente en la eficacia del tratamiento, sino en la falta de datos: ensayos clínicos con pocos pacientes, abandonos durante el estudio o muestras insuficientes que comprometen los resultados. Este problema es especialmente crítico en el caso de las enfermedades raras, donde la escasez de pacientes limita el avance científico.

Para abordar este reto, la Agencia Estatal de Investigación (AEI) financia con 179.530,00 euros el proyecto “Paciente sintético: desarrollo y validación de algoritmos para la generación de datos sintéticos en ensayos clínicos”, coordinado por INARI Biotech y con la participación de la Universidad de Alcalá y la Universidad Rey Juan Carlos. La iniciativa explora el uso de inteligencia artificial para generar “pacientes sintéticos”: conjuntos de datos artificiales que reproducen las características clínicas y estadísticas de pacientes reales sin ser réplicas individuales.

“El objetivo no es sustituir a los pacientes reales, sino complementarlos”, explica Javier Martínez, director del proyecto en INARI Biotech. “Un paciente, al final, es un conjunto de datos. Nuestro sistema aprende a partir de esos datos y es capaz de generar nuevos perfiles que mantienen las mismas características que los reales”.

Infografía: Proceso de construcción del Paciente Sintético.

Más datos para decisiones más rápidas

La utilidad de estos pacientes sintéticos es doble. Por un lado, permiten ampliar el tamaño de las muestras en ensayos clínicos donde el número de participantes es limitado. Por otro, ofrecen la posibilidad de anticipar resultados en fases tempranas del estudio, lo que podría ahorrar tiempo y costes significativos.

“Con los primeros 100 pacientes de un ensayo podemos generar miles de pacientes sintéticos y simular cómo evolucionaría el estudio”, señala Martínez. “Eso nos permite predecir, con cierta antelación, si un ensayo tiene probabilidades de éxito o si conviene replantearlo”.

Este enfoque resulta especialmente relevante si se tiene en cuenta que el 90% de los ensayos clínicos fracasan, tras años de investigación y una inversión de millones de euros. Poder anticipar esos resultados en fases iniciales supondría un cambio sustancial en la forma de desarrollar nuevos medicamentos.

Inteligencia artificial aplicada a la medicina

El proyecto, financiado en el marco de las ayudas a Proyectos de Colaboración Público-Privada (2023), combina medicina, biología, bioestadística e ingeniería informática en un equipo multidisciplinar que desarrolla algoritmos capaces de generar datos sintéticos fiables. Estos datos deben reproducir no solo las características individuales de los pacientes, sino también las relaciones complejas entre variables clínicas, evitando sesgos y manteniendo la coherencia estadística.

Actualmente, el equipo trabaja en la fase de validación del algoritmo, mediante un test de “indistinguibilidad” similar al conocido test de Turing. En este proceso, especialistas en bioestadística analizan conjuntos de datos reales y sintéticos sin saber cuál es cuál. “Si no son capaces de distinguirlos, significa que el modelo funciona correctamente”, explica el responsable del proyecto. “Estamos comprobando hasta qué punto nuestros datos sintéticos son indistinguibles de los reales”.

Un cambio de paradigma en los ensayos clínicos

Aunque los reguladores, como la Agencia Europea del Medicamento (EMA) o la Food and Drug Administration (FDA) aún no aceptan el uso de pacientes sintéticos para la aprobación de fármacos, sí empiezan a reconocer su potencial, especialmente en el ámbito de las enfermedades raras, lo que apunta a un posible cambio de tendencia en los próximos años.  “El objetivo no es reemplazar los ensayos clínicos tradicionales, sino aportar información adicional que ayude a tomar decisiones”, subraya Martínez. “Puede servir para orientar un ensayo en marcha o para evaluar de forma temprana su viabilidad”.

Ciencia aplicada con impacto directo

El proyecto representa un ejemplo de colaboración público-privada, cofinanciada por Fondos Feder, en la que una empresa tecnológica se apoya en el conocimiento científico de las universidades para desarrollar una solución con aplicación directa en el ámbito sanitario. “El valor está en conectar la ciencia básica con una aplicación real”, explica Martínez. “Las universidades aportan conocimiento profundo, y nosotros trabajamos para convertirlo en una herramienta útil”. En concreto, el profesor Alfredo Cuesta Infante, de la Universidad Rey Juan Carlos, se ocupa de la dirección científica del desarrollo de los algoritmos y la arquitectura computacional del sistema.

Por su parte, la profesora María del Val Toledo Lobo, de la Universidad de Alcalá, es quién se encarga de la selección de ensayos clínicos, validación biomédica de los resultados y asesoramiento científico en la interpretación de los datos.

El equipo se completa con la colaboración de Alfonso Esteban Lasso, analista de datos y principal desarrollador del software. Esteban Laso está haciendo la tesis doctoral con los profesores Alfredo Cuesta y María del Val.

Imagen (de izquierda a derecha): Alfredo Cuesta Infante, Universidad Rey Juan Carlos; María del Val Toledo Lobo, Universidad de Alcalá, Alfonso Esteban Lasso, analista de datos.

Actualmente, el algoritmo ya ha sido desarrollado y se encuentra en fase de validación. El siguiente paso será determinar la cantidad mínima de datos necesarios para generar pacientes sintéticos fiables y, a más largo plazo, probar el sistema en ensayos clínicos reales.

En un contexto en el que los datos se han convertido en uno de los recursos más valiosos de la investigación biomédica, iniciativas como esta abren la puerta a nuevas formas de diseñar, analizar y acelerar los ensayos clínicos, con especial impacto en áreas donde la escasez de pacientes ha sido históricamente un obstáculo insalvable.