La inteligencia artificial en el desarrollo de medicamentos está ampliando progresivamente su campo de aplicación.
Aunque durante los últimos años gran parte de la atención se ha centrado en su capacidad para apoyar el descubrimiento de nuevas moléculas, la IA puede intervenir en otros puntos del ciclo de vida de un medicamento: investigación preclínica, análisis de datos, desarrollo clínico, fabricación o seguimiento posterior a su comercialización.
Este avance abre nuevas posibilidades, pero también plantea una cuestión fundamental: ¿cómo garantizar que los resultados generados por un sistema de inteligencia artificial sean suficientemente fiables para apoyar decisiones científicas y regulatorias?
¿Cómo se utiliza la inteligencia artificial en el desarrollo de medicamentos?
Hablar de IA en el desarrollo de fármacos no significa hablar de una única tecnología.
Existen modelos capaces de procesar grandes cantidades de información, identificar patrones, realizar predicciones o apoyar tareas específicas dentro de procesos científicos y técnicos.
En 2026, FDA y EMA publicaron conjuntamente principios de buenas prácticas para el uso de inteligencia artificial a lo largo del ciclo de vida de los medicamentos. El documento refleja precisamente que su aplicación puede extenderse desde las etapas iniciales de investigación hasta el desarrollo clínico, la fabricación y las actividades posteriores a la autorización.
Descubrimiento de nuevos fármacos
El descubrimiento de medicamentos requiere analizar información sobre enfermedades, mecanismos biológicos, posibles dianas terapéuticas y numerosos candidatos.
En este contexto, determinados modelos de IA pueden ayudar a:
- analizar grandes conjuntos de datos biológicos y químicos;
- identificar relaciones entre diferentes variables;
- priorizar candidatos para investigaciones posteriores;
- estimar determinadas propiedades de una molécula.
Esto puede ayudar a orientar la investigación, pero no sustituye la validación experimental. Una predicción computacional debe ser contrastada y analizada dentro del contexto científico en el que se genera.
Inteligencia artificial e investigación preclínica
Antes de estudiar un nuevo medicamento en personas es necesario conocer mejor su actividad, su comportamiento en el organismo y sus posibles riesgos.
La inteligencia artificial en biomedicina puede contribuir al análisis de datos procedentes de estudios experimentales y al desarrollo de modelos predictivos.
Entre las áreas que están generando interés se encuentra, por ejemplo, la predicción de toxicidad o de determinadas respuestas biológicas.
Sin embargo, la utilidad de estas herramientas depende de factores como la calidad de los datos utilizados para entrenarlas, su validación y el contexto concreto en el que se quieran utilizar.
IA en ensayos clínicos
Los ensayos clínicos generan grandes cantidades de información: variables clínicas, resultados analíticos, datos de imagen o información procedente de diferentes centros.
La IA en ensayos clínicos puede ayudar a analizar determinados conjuntos de datos, identificar patrones o apoyar algunos procesos relacionados con el desarrollo clínico.
Pero cuanto mayor sea la importancia de una decisión sustentada por un modelo de inteligencia artificial, mayor será la necesidad de demostrar que su funcionamiento es adecuado.
Por eso, uno de los conceptos fundamentales para las autoridades regulatorias es el contexto de uso.
No basta con afirmar que un algoritmo funciona. Es necesario determinar para qué se utiliza, con qué datos, sobre qué población y con qué nivel de riesgo.
La IA también llega a la fabricación
El desarrollo de medicamentos no termina en la investigación clínica.
También es necesario establecer procesos capaces de fabricar un producto de manera controlada y consistente.
La inteligencia artificial puede tener aplicaciones relacionadas con el análisis de datos de producción, la monitorización de determinados parámetros o la identificación de tendencias dentro de los procesos de fabricación.
Esto puede ser especialmente relevante en sistemas productivos complejos, aunque cualquier herramienta utilizada debe estar adecuadamente evaluada para el propósito concreto que pretende cumplir.
El gran reto: modelos y datos fiables
La capacidad de analizar más datos o hacerlo con mayor rapidez no convierte automáticamente un sistema de inteligencia artificial en una herramienta válida.
Los datos pueden contener sesgos, no representar adecuadamente a todas las poblaciones o cambiar con el tiempo. Un modelo también puede comportarse de manera diferente cuando se utiliza fuera del entorno en el que fue desarrollado.
Por eso FDA y EMA destacan aspectos como:
- calidad y gobernanza de los datos;
- definición clara del contexto de uso;
- enfoque basado en el riesgo;
- evaluación del rendimiento del modelo;
- documentación y trazabilidad;
- supervisión a lo largo de todo su ciclo de vida.
La idea es especialmente importante en un ámbito como la salud: utilizar inteligencia artificial no reduce la necesidad de rigor científico.
El futuro de la IA en el desarrollo de medicamentos
La inteligencia artificial en el desarrollo de medicamentos puede aportar nuevas herramientas a la investigación biomédica y farmacéutica, pero su valor dependerá de la capacidad para integrarla correctamente dentro de los procesos científicos.
Algoritmos, datos, bioanálisis, conocimiento clínico, fabricación y regulación tendrán que avanzar de forma coordinada.
Por eso, el futuro de la inteligencia artificial en el desarrollo de medicamentos será necesariamente multidisciplinar.
En Qube Technology Park, ciencia, tecnología y empresa comparten un mismo ecosistema Life Sciences, creando un entorno donde diferentes capacidades pueden encontrarse para impulsar nuevos proyectos de innovación en salud.
