Simular antes de exponer a los pacientes

Un ensayo clínico no consiste solo en administrar un medicamento. Hay que elegir a los pacientes, la dosis, la duración, los criterios de éxito y el grupo de comparación. Un error de diseño puede inutilizar un resultado aunque el tratamiento tenga un efecto real.

Las plataformas de simulación combinan datos de ensayos anteriores, historias clínicas, publicaciones y modelos biológicos. Crean cohortes digitales para probar distintos escenarios: ¿qué dosis parece más adecuada?, ¿qué perfiles responden mejor?, ¿cuántos participantes hacen falta para detectar un efecto?

Reuters informa de que algunas empresas han empezado a publicar predicciones sobre los resultados de ensayos reales. Los ejemplos son interesantes, pero aún demasiado limitados para demostrar una fiabilidad general. Un modelo que funciona bien en una enfermedad o fase de desarrollo puede fallar en otra.

Qué examina realmente la FDA

En 2026, la FDA puso en marcha trabajos sobre ensayos en tiempo real y tecnologías basadas en IA. El objetivo es mejorar la vigilancia, la rapidez y la calidad de las decisiones durante las primeras investigaciones. La agencia también cuenta con un programa de desarrollo de medicamentos basado en modelos, que incluye la simulación de ensayos.

No se trata de autorizar automáticamente un medicamento porque un algoritmo prediga su éxito. Las autoridades exigen un método documentado, datos representativos, validación independiente y una explicación clara de las incertidumbres. La función del modelo debe adecuarse al riesgo de la decisión.

El peligro de unos pacientes digitales demasiado perfectos

Una simulación aprende del pasado. Si los ensayos históricos han infrarrepresentado a las mujeres, las personas mayores, ciertos grupos étnicos o los pacientes con varias enfermedades, el gemelo digital puede reproducir esas carencias. Un resultado aparentemente preciso puede ser incorrecto para las personas ausentes de los datos.

Los datos clínicos también varían según los hospitales, los países y las prácticas. Las mediciones ausentes, los cambios de definición y los tratamientos concomitantes pueden introducir sesgos difíciles de detectar. La transparencia sobre las fuentes y los límites es, por tanto, tan importante como el rendimiento medio.

Una ayuda para decidir, no un sustituto de la evidencia

A corto plazo, el uso más creíble consiste en comparar protocolos antes de abrir un ensayo, detectar incoherencias y ajustar el seguimiento. Una simulación también puede proporcionar un escenario de referencia adicional cuando los datos históricos son sólidos.

Para los participantes, podría significar menos ensayos mal diseñados y visitas mejor orientadas. Para los laboratorios, decidir antes la interrupción de un proyecto puede ahorrar años. Pero un modelo equivocado también puede descartar un tratamiento útil o dirigir un estudio por el camino incorrecto.

La innovación no se medirá por el número de pacientes virtuales generados, sino por la capacidad de estas herramientas para mejorar los ensayos reales, con resultados reproducibles y supervisados por las autoridades.