Las plataformas de datos de salud en las que confían los participantes podrían poner fin al enfoque reduccionista actual del desarrollo de fármacos, revolucionando nuestra comprensión de la enfermedad.
La última década ha visto un aumento importante y, para muchos pacientes, un cambio de vida en la cantidad de nuevos medicamentos innovadores que llegan al mercado para tratar enfermedades como la esclerosis múltiple, la malaria y subtipos de ciertos tipos de cáncer (como el melanoma o la leucemia) . En los Estados Unidos, la Administración de Alimentos y Medicamentos aprobó un promedio de 41 nuevas entidades moleculares (incluidas las solicitudes de licencia biológica) cada año desde 2011 hasta 2020, casi el doble que en la década anterior. A pesar de los inmensos costos de tales logros. Los investigadores biofarmacéuticos aún no han descubierto un enfoque universal y sistemático para generar muchos más avances o predecir qué intervenciones funcionarán para qué pacientes.
Una barrera importante es el abrumador desafío de comprender la naturaleza multifactorial de muchas enfermedades junto con el amplio conjunto de variables en el diseño de la terapia. Muy pocas enfermedades, como la fibrosis quística, están vinculadas a variantes en genes únicos. Por lo tanto, el desarrollo de fármacos tiende a basarse en un enfoque reduccionista basado en hipótesis que limita el enfoque a tipos o vías de células individuales.
Ensayos enfocados a menudo basados en información parcial o informados por modelos animales que nunca reflejan perfectamente la enfermedad humana y luego intentan identificar moléculas individuales que beneficiarán a los pacientes. Inevitablemente, ese enfoque puede ser lento y propenso a sesgos, y la mayoría de los avances son fortuitos en lugar de sistemáticos, ya que las empresas dependen en gran medida de modelos preclínicos imperfectos que no son lo suficientemente predictivos incluso para enfermedades con patologías relativamente simples.
Durante mucho tiempo se ha esperado que los nuevos métodos computacionales de los campos de la inteligencia artificial (IA) y el aprendizaje automático (ML) ayuden a los científicos a lograr un cambio radical. La actividad y las inversiones de las empresas de capital de riesgo y las compañías farmacéuticas en estas áreas han crecido sustancialmente, y ha habido algunos avances sorprendentes en la comprensión de las causas de algunas indicaciones, a menudo como resultado del aprovechamiento de nuevos o mayores volúmenes de datos generados por todo el mundo. -secuencia del genoma, ensayos de alto rendimiento y evidencia clínica o del mundo real.
Los conocimientos genéticos, por ejemplo, ayudaron a identificar PCSK9 como un modulador de la hiperlipidemia y han permitido nuevas terapias oncológicas independientes del tumor. Una mejor comprensión del papel de los mecanismos inmunológicos también ha introducido un nuevo paradigma en el tratamiento del cáncer, y ahora se están aplicando conceptos similares a la fibrosis, las enfermedades degenerativas y las inmunoterapias más específicas.
Sin embargo, tales avances siguen siendo relativamente raros. A pesar de expandir las líneas de desarrollo,6 muchas compañías farmacéuticas se encuentran enfocándose en el mismo número limitado de áreas sin riesgo y mecanismos de acción, por ejemplo, en inmunooncología. Este “rebaño” refleja los desafíos de avanzar en la comprensión de la enfermedad y, por lo tanto, de desarrollar enfoques terapéuticos novedosos. La promesa completa de innovación de datos, IA y ML aún no se ha materializado.
La interacción de los sistemas de IA y ML, los conocimientos guiados por científicos y la generación de evidencia podrían cambiar ese modelo. La principal barrera, tanto para las compañías farmacéuticas tradicionales como para las nuevas impulsadas por la tecnología, es la falta de suficientes datos de salud confiables, longitudinales e interconectados.
Aunque hay montones de datos de salud, muchos son de baja calidad porque son difíciles de validar y están fragmentados porque se encuentran en muchas plataformas diferentes. Además, la cantidad de estos datos los hace casi imposibles de categorizar, limpiar y etiquetar por cualquier esfuerzo puramente humano, por lo que es difícil acceder a ellos. La privacidad y la seguridad de los datos exacerban el desafío. Por lo tanto, los obstáculos son dos: generar y recopilar suficientes datos de buena calidad y vincular o combinar los conjuntos de datos en una única fuente segura adecuada para ML e IA. En este sentido, las plataformas de datos de salud podrían ser un importante y emocionante paso adelante.
El papel de las plataformas de datos de salud
Incluso antes de la pandemia de COVID-19, las personas generaban grandes cantidades de datos relevantes para la salud a partir de dispositivos portátiles, servicios de geolocalización, búsquedas de síntomas en línea y pruebas genéticas de grado de consumo. También generaron una gran cantidad de datos más estructurados, como reclamaciones de seguros, compras en farmacias y registros médicos electrónicos. Además, muchas personas participan en investigaciones clínicas o académicas, incluida la investigación para recopilar datos multiómicos de alta calidad, que se consideran esenciales para avanzar en la comprensión de las enfermedades y el desarrollo de fármacos.
Hoy en día, se están generando aún más datos como resultado de la digitalización acelerada de la atención médica durante la pandemia. Y hay una aceptación mucho más amplia, entre pacientes, médicos, sistemas de salud y reguladores, de la salud digital en forma de telemedicina, dispositivos portátiles y el monitoreo virtual de ensayos clínicos, por ejemplo. El sentido de urgencia que desató la pandemia también ha fomentado un mayor intercambio de datos, lo que ha mejorado la calidad de los datos gracias a mayores niveles de escrutinio.
Este articulo puede interesarle Advanced analytics beneficia los impactos en la cadena de suministro agrícola
