La inteligencia artificial (IA) es una rama de la informática que permite que las máquinas trabajen de manera eficiente y analicen datos complejos. La investigación centrada en la IA ha aumentado enormemente, y su papel en los servicios de salud y la investigación está emergiendo a un ritmo acelerado. Esta revisión elabora sobre las oportunidades y desafíos de la IA en la investigación médica y farmacéutica. La literatura fue recopilada de dominios como PubMed, Science Direct y Google Scholar utilizando palabras clave y frases específicas como ‘Inteligencia artificial’, ‘Investigación farmacéutica’, ‘descubrimiento de fármacos’, ‘ensayo clínico’, ‘diagnóstico de enfermedades’, etc., para seleccionar los artículos de investigación y revisión publicados en los últimos cinco años. La aplicación de IA en el diagnóstico de enfermedades, terapia digital, tratamiento personalizado, descubrimiento de fármacos y predicción de epidemias o pandemias fue extensamente revisada en este artículo. El aprendizaje profundo y las redes neuronales son las tecnologías de IA más utilizadas; los modelos bayesianos no paramétricos son tecnologías potenciales para el diseño de ensayos clínicos; el procesamiento del lenguaje natural y los dispositivos portátiles se utilizan en la identificación de pacientes y el monitoreo de ensayos clínicos. El aprendizaje profundo y las redes neuronales se aplicaron en la predicción del brote de influenza estacional, Zika, Ébola, tuberculosis y COVID-19. Con el avance de las tecnologías de IA, es posible que la comunidad científica presencie una investigación médica y farmacéutica rápida y rentable, así como una mejora en el servicio para el público en general.

La inteligencia artificial (IA) es una combinación de diversos procesos y comportamientos inteligentes, desarrollados mediante modelos computacionales, algoritmos o un conjunto de reglas que respaldan a las máquinas para imitar las funciones cognitivas de los humanos, como el aprendizaje, la resolución de problemas, etc. La IA está penetrando rápidamente en el campo del sector de la salud y tiene un gran impacto en la toma de decisiones clínicas, el diagnóstico de enfermedades y la automatización. Existen oportunidades para que la IA explore aún más en el campo de la investigación farmacéutica y de la salud debido a su capacidad para investigar enormes conjuntos de datos de diversas modalidades. Algunos de los estudios actuales elaboran sobre la utilización de la IA en la atención médica y otros sectores. Las tecnologías de IA en la industria de la salud incluyen el aprendizaje automático (ML), el procesamiento del lenguaje natural (NLP), robots físicos, automatización de procesos robóticos, etc. En ML, se aplican modelos de redes neuronales y aprendizaje profundo con diversas características en datos de imágenes para identificar elementos clínicamente significativos en las etapas iniciales, especialmente en diagnósticos relacionados con el cáncer. El NLP utiliza técnicas computacionales para comprender el habla humana y derivar su significado. Últimamente, las técnicas de ML se están incorporando ampliamente en el NLP para explorar datos no estructurados en la base de datos y registros en forma de notas de médicos, informes de laboratorio, etc., mediante la identificación de información esencial de diversas imágenes y datos textuales que ayudan en la toma de decisiones en diagnósticos y opciones de tratamiento. La innovación disruptiva en curso crea un camino para que los pacientes reciban un diagnóstico preciso y rápido, así como intervenciones de tratamiento personalizadas. Se han identificado soluciones basadas en IA que incluyen plataformas que pueden utilizar una variedad de tipos de datos, como síntomas reportados por los pacientes, biometría, imágenes, biomarcadores, etc. Con los avances en IA, se hace posible detectar posibles enfermedades mucho antes, lo que conduce a una mayor probabilidad de prevención como resultado de la detección en una etapa muy temprana. Los robots físicos se utilizan en diversos segmentos de la atención médica, incluidos la enfermería, la telemedicina, la limpieza, la radiología, la cirugía, la rehabilitación, etc. La automatización de procesos robóticos utiliza tecnología que es económica, fácil de programar y puede realizar tareas digitales estructuradas para fines administrativos y actuar como un usuario seminteligente de los sistemas. Esto también se puede utilizar en combinación con el reconocimiento de imágenes. En el sistema de salud, tareas como la autorización previa, la actualización de registros de pacientes y la facturación, que son repetitivas, pueden utilizar esta tecnología.

Cuando nos centramos en el sector farmacéutico, el papel de la inteligencia artificial (IA) no puede ignorarse debido a sus amplias aplicaciones en diversas etapas. La influencia de la IA en todas las etapas de los productos farmacéuticos, desde el descubrimiento de medicamentos hasta la gestión de productos, es muy evidente. En el descubrimiento de medicamentos, las tecnologías de IA se utilizan tanto en el cribado como en el diseño de fármacos; el algoritmo incluye, entre otros, ML, aprendizaje profundo, tecnologías de relación cuantitativa estructura-actividad (QSRL) basadas en IA, QSLRML, cribado virtual (VS), máquinas de vectores de soporte (SVM), cribado virtual profundo, redes neuronales profundas (DNN), redes neuronales recurrentes (RNN), etc. Las redes neuronales en IA están inspiradas en las redes neuronales biológicas donde hay una respuesta de entrada y salida después de procesar la información recibida. Las redes neuronales artificiales (ANN) tienen varias unidades conectadas para procesar la información. Las DNN son similares a las ANN en las que hay varias capas de unidades de procesamiento de datos. Las RNN procesan los datos en una secuencia donde los datos de salida del análisis anterior se procesan como datos de entrada para la siguiente fase de análisis. Las SVM se utilizan para la clasificación y regresión de datos de entrada. En el desarrollo de productos farmacéuticos, la IA se utiliza para elegir los excipientes apropiados, seleccionar el proceso de desarrollo y asegurar que se cumplan las especificaciones durante el proceso. El sistema experto de modelos (MES), las ANN, etc. se utilizan en el desarrollo de productos farmacéuticos. En la fabricación, la IA se utiliza en la fabricación automatizada y personalizada, igualando los errores de fabricación a límites establecidos. Tecnologías de IA como el meta clasificador y el clasificador de tabletas se utilizan para lograr la calidad deseada en el producto final. La incorporación de la IA en los ensayos clínicos ayuda en la selección de sujetos y en el monitoreo del ensayo, reduciendo las deserciones debido al monitoreo cercano. ML se utiliza en los ensayos clínicos. Las tecnologías de IA como las herramientas de ML y NLP se utilizan en el análisis de mercado, la posición del producto y el costo del producto. Algunos de los artículos relacionados con la IA publicados recientemente han discutido la aplicación de la IA en química medicinal, atención médica, estudios farmacéuticos y biomédicos, especialmente en la identificación de proteínas objetivo, el diseño de fármacos asistido por computadora, el cribado virtual y la evaluación farmacocinética in silico, el diagnóstico de enfermedades enfocado en el diagnóstico y tratamiento del cáncer. La IA ha invadido extensamente los sectores mencionados anteriormente y ha llevado a una mejora en los resultados. Debido a las amplias aplicaciones de la IA en las industrias de la salud y farmacéutica, esta revisión incluyó los artículos relacionados con la aplicación de la IA en el diagnóstico de enfermedades, el descubrimiento de medicamentos, los ensayos clínicos, el tratamiento personalizado y la investigación epidemiológica en la predicción de epidemias o pandemias. Los estudios relacionados con la aplicación de la IA en la fabricación farmacéutica, la educación, el análisis de mercado, el servicio al cliente, la comercialización y todo lo que no esté relacionado con la investigación en salud/farmacéutica están excluidos en esta revisión. Todos los estudios se buscaron utilizando dominios como PubMed, Science Direct y Google Scholar utilizando palabras clave específicas.

Esta reseña discutió el papel de la inteligencia artificial (IA) en las siguientes áreas.

Diagnóstico de enfermedades;

• Terapia digital / tratamiento personalizado:
  • Radioterapia; 
  • Retina; 
  • Cáncer; 
  • Otros trastornos crónicos;
• Descubrimiento de fármacos:
  • Predicción de bioactividad y toxicidad 
  • Ensayos clínicos:
    • Diseño de ensayos clínicos, identificación de pacientes, reclutamiento e inscripción;
    • Monitoreo de ensayos, adherencia del paciente y detección de puntos finales.
• Pronóstico de una epidemia / pandemia.

2. IA en el diagnóstico de enfermedades
La inteligencia artificial (IA) en el diagnóstico de enfermedades es crucial para diseñar un tratamiento considerado y salvaguardar el bienestar de los pacientes. La inexactitud generada por los humanos crea un obstáculo para un diagnóstico preciso, al igual que la interpretación errónea de la información generada, lo que crea una tarea densa y exigente. La IA puede tener diversas aplicaciones al brindar una garantía adecuada en cuanto a precisión y eficiencia. Tras una extensa revisión de literatura, se han reportado las aplicaciones de varias tecnologías y metodologías con el fin de diagnosticar enfermedades. Con la evolución de la población humana, siempre hay una demanda cada vez mayor para el sistema de salud.

Una cantidad sustancial de evidencia ha revelado que, aunque existen incongruencias vulnerables, contradictorias y no analíticas, el desarrollo de nuevos métodos puede definir la aplicabilidad al retratar el escenario actual que no ha sido cubierto. Es importante categorizar a los pacientes según si están gravemente afectados por las enfermedades, y la IA puede ganar importancia en el diagnóstico. El diagnóstico se refiere al estado en el que, tras ciertos problemas preexistentes, se designa la condición de uno. Siempre se recomienda mantener los formularios de historias clínicas de cada paciente, para así recopilar la mayoría de las revisiones que se obtienen mediante exámenes y pruebas. Al recopilar información, los resultados apropiados se centran principalmente en las necesidades de atención médica para un diagnóstico oportuno. El análisis queda a discreción del estado de los clínicos y puede fluctuar. Existen múltiples estrategias de diagnóstico que están generando problemas de confianza y, por lo tanto, es necesario enfocarse en la IA para la identificación y determinación de la etapa predictiva temprana de la enfermedad más que en la fase de tratamiento o diagnóstico. Este tipo de diagnóstico puede ayudar a iniciar el tratamiento temprano, y el tratamiento inicial puede provocar cambios notables en los pacientes, así como una mayor eficiencia en los módulos de IA. Hoy en día, la identificación, extracción y el manejo de todos los datos recopilados llevarían a un amplio uso de la tecnología basada en el aprendizaje profundo, las redes neuronales y los algoritmos. El cáncer y la demencia son las dos principales enfermedades donde la IA ha ganado importancia. Los algoritmos nunca pueden ser tendenciosos si no son auto-generados o no están asociados con ningún dato existente. Para la supervisión estadística, se requiere un conjunto de datos relevante y específico. La aceptación no depende de la entrada del usuario, sino de la importancia de los clústeres identificados. La hepatitis puede diagnosticarse mediante aprendizaje no supervisado. Sin embargo, las correlaciones de aprendizaje profundo se pueden obtener a través de varios cambios evolutivos y ajustando las predicciones. Por lo general, conjuntos de datos más grandes y entradas variadas pueden servir a la idoneidad de la IA, pero el resultado es incomprensible. Entre muchos ejemplos de aprendizaje profundo en el diagnóstico, uno es la clasificación de enfermedades dermatológicas y la detección de fibrilación auricular. El uso de la validación cruzada se puede utilizar para la división aleatoria en múltiples conjuntos para la estimación de algoritmos. La precisión, la sensibilidad y la especificidad son tres aspectos importantes en los que se centran las medidas comunes de la IA.

On the basis of the literature analysis, the clinical aspects which can supervise the deep learning network and neural pathways using support vector machine, nearest neighbor, random forest, decision tree, logistic regression, naive Bayes, discriminate analysis and convolution neural network can generate the results in a more holistic approach. Algorithm-based performance-driven analysis can be performed via origin, sample size, number of features of the training and testing samples. In the diagnosis of liver diseases, decision trees and reasoning were integrated. Many studies were performed for the predictive modeling, which was noticeable for predicting early Parkinson’s disease. Rib segmentation algorithm was developed using the chest X-ray images for diagnosis of lung diseases. Traditional methods are not useful in rib-wise segmentation of X-ray images due to various limitations. In this research, they have developed an algorithm via unpaired sample augmentation of chest X-ray images of pneumonia patients; later, a multi-scale network learns the features of images. The study reports that such algorithm achieves good performance with better rib segmentation which could be useful in diagnosing lung cancers and other lung diseases. Recently, algorithm and machine leaning was used by the researchers in identification and classification of cardiac arrhythmia by processing the electrocardiograms signals. In another study, tuberculosis was classified and diagnosed by using the optimization genetic algorithm (GA) and support vector machine (SVM) classifier.

3. Inteligencia Artificial (IA) en Terapia Digital/Tratamiento Personalizado

AI Tiene el potencial de establecer una relación significativa dentro de las hojas de datos crudas que pueden ser utilizadas posteriormente en el diagnóstico, tratamiento y mitigación de la enfermedad. Una variedad de técnicas más recientes que se utilizan para la comprensión computacional en este campo emergente tienen el potencial de ser aplicadas en casi todos los campos de la ciencia médica. Los problemas clínicos complejos necesitan ser resueltos con el desafío de adquirir, analizar y aplicar un vasto conocimiento (Figura 1). El desarrollo de la IA médica ha ayudado a los clínicos a resolver problemas clínicos complejos. Los sistemas como las redes neuronales artificiales (ANNs), computacionales evolutivas, sistemas expertos difusos y sistemas inteligentes híbridos pueden ayudar a los trabajadores de la salud a manipular los datos. El ANN es un sistema que se basa en el principio del sistema nervioso biológico. Hay una red de procesadores de computadora interconectados llamados neuronas que pueden realizar cálculos paralelos para el procesamiento de datos. La primera neurona artificial fue desarrollada utilizando una función de umbral binario. El perceptrón de alimentación directa de múltiples capas fue el modelo más popular que tenía diferentes capas, como la capa de entrada, la capa intermedia y la capa de salida. Cada neurona está conectada a través de enlaces que tienen un peso numérico.

Paul Werbos introdujo una nueva técnica llamada "aprendizaje por retropropagación" en 1974, la cual tiene un algoritmo de aprendizaje adecuado. Las ANN han sido utilizadas en análisis de imágenes de diagnóstico, interpretación de datos y análisis de formas de onda. La lógica difusa es una ciencia de razonamiento, pensamiento e inferencia que puede reconocer y utilizar fenómenos del mundo real. Principalmente utiliza un conjunto continuo de membresía de 0 a 1, es decir, 0 para falso y 1 para verdadero. El controlador difuso también se ha utilizado para administrar vasodilatadores y anestésicos en la sala de operaciones. Esta técnica de computación evolutiva se basa en el proceso de evolución natural que se centra en el proceso de evolución natural y la supervivencia del más apto. El algoritmo más popular es el algoritmo genético. Encuentra muchas soluciones aleatorias para un problema y, en última instancia, se elige una mejor solución, mientras que las inferiores son eliminadas.

3.1. AI en radioterapia

La planificación del tratamiento automatizada es una tecnología reciente que es altamente beneficiosa en la planificación del tratamiento de radioterapia. La planificación del tratamiento automatizada está mejorando eficientemente la calidad del plan, la consistencia y la tasa de error. El flujo de trabajo del tratamiento se puede organizar en tres categorías, es decir, implementación automatizada de reglas, modelado del razonamiento del conocimiento previo en la práctica clínica y optimización multicriterio. Un programa informático automatizado simple con estructuras puede implementar las pautas clínicas. El sistema de planificación del tratamiento puede analizar la anatomía y fisiología del paciente y también puede imitar el proceso de razonamiento que generalmente se sigue en la planificación del tratamiento manual. La distribución de dosis tridimensional y los modelos de dosis para la dosis espacial han mostrado una precisión prometedora. La radiómica puede proporcionar información detallada sobre los tumores con la ayuda de varios biomarcadores de imagen. La radiómica se puede implementar para predecir resultados y toxicidad para la terapia de radiación de pacientes individuales.

3.2. AI en Retina

La alta resolución de imágenes de la retina ha dado la oportunidad de evaluar notablemente la salud humana. A partir de una sola fotografía de la retina, se puede extraer datos altamente personalizados; con medicamentos de alta definición, el oftalmólogo/retinólogo puede definir una terapia personalizada y establecer un sistema de aprendizaje de atención médica en continua mejora.

3.3. AI en Cancer

Con la amplia aplicabilidad de la inteligencia artificial (IA), ha ganado importancia en los campos de diagnóstico y tratamiento de varios tipos de cáncer. Los subtipos de linfoma del linfoma no Hodgkin fueron predichos utilizando datos de expresión génica en una red neuronal de perceptrón multicapa. La red neuronal tiene 20,863 genes como capa de entrada y los subtipos de linfoma como capa de salida. Los subtipos de linfoma incluyen linfoma de células del manto (LCM), linfoma folicular, linfoma difuso de células B grandes (LDGCB), linfoma de zona marginal y linfoma de Burkitt. Una red neuronal de IA predijo con alta precisión los subtipos de linfoma. Una red neuronal artificial se utilizó para identificar los nuevos marcadores pronósticos del LCM utilizando los datos de expresión génica y se informó que 58 genes predijeron la supervivencia con alta precisión, 10 genes estaban asociados con una mala supervivencia y 5 genes con una supervivencia favorable. El perceptrón multicapa (MLP) con análisis multivariado de expresiones génicas informó que cuatro genes se correlacionan con una supervivencia favorable y tres genes con una supervivencia deficiente para LDGCB. Se utilizaron redes neuronales MLP y de función de base radial (RBF) para la predicción de la supervivencia general y el pronóstico de pacientes con linfoma folicular (LF). Después de analizar 22,215 genes, se informó que 43 genes están asociados con la predicción de la supervivencia general, mientras que 18 genes estaban asociados con un mal pronóstico. La clasificación del origen celular (COO) de DLGCB se llevó a cabo mediante una técnica de aprendizaje profundo de IA utilizando los datos genéticos y de transcripción obtenidos por secuenciación de ARN en la plataforma de secuenciación de próxima generación (NGS). La IA proporcionó ensayos reproducibles, eficientes y asequibles para la clasificación y la aplicación clínica posterior. La IA se utiliza en el diagnóstico del cáncer al minimizar el tiempo con alta precisión. La imagen PET basada en IA del linfoma se utiliza en la evaluación de la carga tumoral, que luego se aplicó en la caracterización del tumor, cuantificación de la heterogeneidad, así como predicción de la respuesta al tratamiento.

En el cáncer gastrointestinal, la tecnología de detección del cáncer colorrectal (CCR) se utiliza para analizar la malignidad en los pacientes y la predicción de la infección por Helicobacter pylori mediante juego nocturno visual juega un papel crucial en la predicción de la progresión del cáncer gástrico. El diagnóstico temprano a través de análisis de sangre adecuados, imágenes endoscópicas e IA puede influir en la progresión del cáncer. Sin embargo, la IA carece de adecuada aleatorización y estudios controlados a ciegas, por lo que solo se pueden recopilar datos retrospectivos. Además, ha habido estudios donde los modelos de predicción no pudieron justificar el pronóstico de los cánceres. Posteriormente, varios modelos como el algoritmo de regresión logística multitarea, el algoritmo de regresión de supervivencia de Cox y el algoritmo de bosque de supervivencia aleatorio han ganado múltiples facetas y posibles resultados predictivos. Con estos avances, se ha logrado la automatización en el diagnóstico de malignidades a través de la gastroenterología, no solo para la clasificación sino también para la detección y ampliación mediante endoscopia, lo cual no se ha utilizado en la práctica real.

La inteligencia artificial (IA) es una ayuda clínica versátil para la detección temprana del cáncer de pulmón y para fines de cribado. Las técnicas de IA de aprendizaje profundo y aprendizaje automático brindan un respaldo importante en el cribado del cáncer de pulmón debido a su capacidad para mantener una gran cantidad de datos y caracterizar nódulos pulmonares con precisión. Actualmente, la IA facilita las tareas de los patólogos y ayuda a institutos remotos que sufren de escasez de patólogos. Varias aplicaciones de IA resultan útiles en el campo del cáncer de pulmón, como la segmentación de focos de carcinoma, detección de metástasis en ganglios linfáticos, conteo de células tumorales y predicción de mutaciones genéticas. La IA tiene el potencial de interpretar imágenes de tomografía computarizada de baja dosis (TCDB) en el cribado del cáncer de pulmón, mejorando así la precisión diagnóstica y reduciendo la tasa de falsos positivos. También puede cuantificar cambios morfológicos relacionados y no relacionados con tumores, lo cual es importante para la pronosticación en imágenes seriadas. La red neuronal convolucional (CNN), la red neuronal recurrente (RNN) y la combinación de ambos algoritmos pueden utilizarse para diferenciar la clasificación de nódulos benignos y malignos. Para superar las limitaciones de la IA en la investigación traslacional, son vitales las herramientas que sean fáciles de usar y no requieran antecedentes en ciencias computacionales para su operación, lo cual impulsaría el avance de esta tecnología en la investigación médica y farmacéutica.

En la última década, la IA ha sido muy prometedora en el diagnóstico del cáncer de mama. Las técnicas asistidas por IA combinan características cuantitativas y cualitativas de resonancia magnética (RM), lo cual es aplicable para predecir la respuesta al tratamiento en pacientes con cáncer de mama, incluso antes de iniciar la quimioterapia neoadyuvante (QNA). La IA tiene potencial en la identificación, segmentación y clasificación de lesiones; evaluación de la densidad mamaria; y evaluación del riesgo de cáncer de mama. El software basado en IA puede brindar beneficios clínicos a los radiólogos al distinguir entre lesiones malignas y benignas de mama y reducir las posibilidades de interpretación de mamografías falsas negativas. Los desarrollos en esta dirección son preliminares y tienen muchas limitaciones, como la ausencia de grandes conjuntos de datos públicos, la necesidad de imágenes de alta calidad, la dependencia de la anotación de regiones de interés (ROI), problemas en la clasificación binaria e incapacidad para manejar múltiples tareas al mismo tiempo. Por lo tanto, los desarrollos de herramientas de IA, incluido el CAD basado en DL, todavía están en una etapa inicial debido a la falta de conjuntos de datos públicos suficientes para entrenar las redes neuronales convolucionales profundas (DCNN).

3.4. AI in otras Enfermedades Cronicas

Diferentes terapias computarizadas están disponibles basadas en técnicas de programación informática. Las terapias se centran en el enfoque conductual y cognitivo, que involucra preguntas de opción múltiple o joysticks. Recientemente, se ha desarrollado una nueva interacción computarizada, es decir, la instrucción asistida por computadora inteligente, que tiene el potencial de utilizar otras tecnologías de IA como la comprensión del lenguaje natural y los sistemas expertos. Con el uso de la IA, se puede desarrollar una terapia combinada basada en la biopsia del paciente y se pueden adoptar recomendaciones de medicación n de 1. Las enfermedades crónicas requieren monitoreo regular y, con el uso de la IA, este monitoreo se puede realizar utilizando asistentes médicos virtuales. Muchas empresas han instalado esta asistencia, que generalmente brinda orientación virtual a través de mensajes de texto con el uso de aplicaciones móviles, y con el uso de la IA, también se pueden dar recomendaciones de nutrición específicamente basadas en el microbioma intestinal. La fibrilación arterial puede predecirse con el uso de un sistema integrado basado en aprendizaje profundo, un sensor de ECG de un solo plomo y la actividad física a través de datos de acelerómetro junto con un reloj inteligente. El razonamiento basado en casos, diseñado utilizando técnicas de IA, se utiliza ampliamente en el manejo de la diabetes. El sistema automatizado puede detectar problemas y memoriza la solución más efectiva para el paciente individual. Ya se utiliza para la optimización de la terapia con insulina. Otras técnicas como la técnica de regresión vectorial también están de moda para el cuidado de la diabetes. Las diferentes tecnologías basadas en aprendizaje automático, como el soporte de decisiones clínicas, también pueden predecir la respuesta de HbA1c a corto y largo plazo después de la iniciación de la insulina en pacientes con diabetes mellitus tipo 2. Las técnicas de IA también se pueden utilizar para evaluar el riesgo de una enfermedad particular. Las técnicas avanzadas de IA que pueden trabajar a nivel molecular, como el fenotipado molecular, la genómica, las alteraciones epigenéticas y el desarrollo de biomarcadores digitales, también se pueden utilizar en el manejo de diferentes condiciones patológicas. Con el uso de técnicas más nuevas, los pacientes pueden manejar su diabetes a través de programas basados en la web, teléfonos móviles y teléfonos inteligentes.

4. AI en el Descubrimiento de Medicamentos

La posibilidad del desarrollo de un gran número de moléculas de fármacos a partir de un espacio químico se vuelve extensa debido a la falta de tecnologías apropiadas, las cuales pueden ser mejoradas mediante el uso de IA en el proceso de desarrollo de fármacos. La relación cuantitativa estructura-actividad afecta las diversas actividades de pronóstico de parámetros como log P o log D, las cuales pueden prever las predicciones y la generación a través de cálculos y justificar la seguridad biológica, eficacia y efectos adversos, incluida la farmacocinética de la molécula significativa. El espacio enorme requiere una delocalización de moléculas mediante la distribución tridimensional de moléculas y sus propiedades. Es recomendable recopilar toda la información previa sobre la selectividad y la ubicación de las moléculas para mostrar la bioactividad utilizando numerosos dominios como PubChem, ChemBank, DrugBank y ChemDB. Se utilizan varios métodos in silico para el cribado virtual que generalmente proporciona un análisis mejorado, eliminación más rápida y variedad. Los algoritmos de diseño de fármacos reconsideran los perfiles físicos, químicos y toxicológicos al seleccionar un compuesto principal para unirse y generar actividades. Diferentes propiedades fisicoquímicas pueden aumentar la eficacia y actividad biológica. QSAR está orientado para la aplicación potencial del candidato a fármaco a través de enfoques de QSAR basados en IA. Si se siguen los enfoques tradicionales para obtener las diferencias estadísticas, la actividad biológica descubierta y desarrollada puede tardar una década en controlarse. La solubilidad, el coeficiente de partición, el grado de ionización y la permeabilidad intrínseca del fármaco afectan la unión al receptor objetivo al diseñar un nuevo fármaco. Los algoritmos incluyen descriptores moleculares, como el Sistema de Entrada de Línea Molecular Simplificado (SMILES), para prever las propiedades de unión. La relación cuantitativa estructura-propiedad (QSPR, por sus siglas en inglés) se usa generalmente para la determinación de las seis propiedades fisicoquímicas, conocidas como la Suite de Interfaz del Programa de Estimación. Se han utilizado aprendizaje profundo y redes neuronales basadas en el predictor ADMET y el programa ALGOPS para la predicción de la lipofilia y solubilidad de varios compuestos. Se utilizan muchos grafos no dirigidos para predecir la solubilidad. El área superficial, la masa, el conteo de hidrógeno, la refractividad, el volumen, el log P, el área superficial, la suma de los índices, el índice de solubilidad y los enlaces rotativos se consideran para la predicción de una nueva entidad química.

4.1. AI en Predición de Bioactivitdad y Toxicidad

La eficacia depende de la afinidad por la proteína o receptor objetivo. En la interacción basada en similitud, se consideran el fármaco y el objetivo, y se piensa que interactuarán con el mismo objetivo. Chem Mapper y el enfoque de similitud ensemble predicen las interacciones fármaco-objetivo. También se pueden considerar la subestructura, la conectividad o una combinación. Los enfoques de aprendizaje profundo han mostrado un rendimiento mejorado ya que el aprendizaje profundo es independiente de la estructura proteica 3D. Los enfoques de predicción de interacción de proteínas y moléculas de fármacos de afinidad profunda son:

La predicción es necesaria para evitar efectos tóxicos. Los ensayos in vitro son estudios preliminares frecuentes, seguidos de los estudios preclínicos donde se puede distinguir la letalidad y hay un mayor margen de mejora. Varias tecnologías basadas en la web están disponibles para reducir el costo. El Desafío de Datos Tox21, organizado por los Institutos Nacionales de Salud, la Agencia de Protección Ambiental y la Administración de Alimentos y Medicamentos de EE. UU., evalúa las técnicas computacionales para la estimación de la toxicidad de los fármacos. Un algoritmo llamado Deep Tox superó todos los procedimientos al reconocer características estáticas y dinámicas dentro de los descriptores químicos, mientras que el eToxPred se aplicó para estimar la toxicidad de pequeñas moléculas. TargeTox, una predicción de toxicidad de fármacos basada en objetivos biológicos, utiliza el principio de culpabilidad por asociación. Una función de puntuación ayuda a predecir las propiedades de las nuevas moléculas. PrOCTOR podría predecir fácilmente si un fármaco fracasaría en ensayos clínicos debido a su toxicidad. También reconoció eventos adversos de fármacos. La IA puede proporcionar retroalimentación al considerar la computación, la geometría y la evaluación en colaboración con el descubrimiento de fármacos basado en la estructura al predecir la estructura proteica. La probabilidad es necesaria para comprender su eficacia y efectividad. Varias tecnologías computacionales pueden resolver problemas encontrados con QSPR. Las herramientas de apoyo a la decisión utilizan sistemas de elección basados en reglas, dependiendo de la naturaleza y el control de la cantidad de ingredientes añadidos para obtener un proceso de retroalimentación positiva. Con las crecientes complicaciones de una mejor eficiencia y calidad del producto, los sistemas de fabricación están tratando de otorgar conocimiento humano a las máquinas. La amalgama de tecnologías en la fabricación puede resultar un impulso para la industria farmacéutica. Chemical Assembly utiliza la plataforma novedosa para llevar a cabo la automatización.

4.2. IA en los Ensayos Clínicos

En el descubrimiento de fármacos, los ensayos clínicos son los más largos y requieren una gran inversión. A pesar del tiempo y el capital invertido en los ensayos clínicos, la tasa de éxito es solo marginal para aquellos que obtienen la aprobación de la Administración de Alimentos y Medicamentos (FDA). Hay varios cuellos de botella en los ensayos clínicos que pueden llevar al fracaso del ensayo. Estos cuellos de botella incluyen la insuficiente cantidad de participantes, deserciones durante el ensayo, efectos secundarios del fármaco en prueba o datos inconsistentes. Si dicho fracaso ocurre en las fases tardías de los ensayos clínicos, como en la fase III y fase IV, el patrocinador debe absorber una carga económica extremadamente alta. Los ensayos clínicos asociados con costos elevados también tienen efectos posteriores en los costos terapéuticos para los pacientes. Por esta razón, las compañías biofarmacéuticas incluyen los costos de I+D de los ensayos fallidos en la fijación de precios de los fármacos aprobados para mantener la rentabilidad. El proceso de ejecución y conducción de ensayos clínicos incluye el diseño del ensayo clínico, la selección/reclutamiento de pacientes, la selección de sitios, el monitoreo, la recolección y el análisis de datos. De estos procesos, el reclutamiento y la selección de pacientes es un proceso laborioso en el que el 80% de los ensayos superan el cronograma de inscripción, y el 30% de los ensayos de fase III se interrumpen prematuramente debido a desafíos en el reclutamiento de pacientes. El monitoreo del ensayo en un ensayo global multicéntrico es un proceso muy costoso y que consume mucho tiempo. Otros desafíos en los ensayos clínicos son la duración desde la "última visita del último sujeto" hasta la presentación de datos a las agencias reguladoras, que implican procedimientos de recolección y análisis de datos extensos. Con la ayuda de la IA y la digitalización, estos desafíos en los ensayos clínicos han estado transformándose.

4.2.1. Diseño de Ensayos Clínicos, Identificación de Pacientes, Reclutamiento e Inscripción

Según la FDA, los modelos de IA son útiles para mejorar la calidad del diseño de ensayos clínicos, la selección de pacientes al reducir la heterogeneidad de la población, el enriquecimiento pronóstico y el enriquecimiento predictivo. Los modelos bayesianos no paramétricos (BNMs) han surgido como una herramienta poderosa en el diseño de ensayos clínicos con muchas otras aplicaciones. Este modelo es flexible y utiliza un enfoque no paramétrico, permitiendo el uso de conjuntos de parámetros de dimensionalidad infinita con un subconjunto finito de parámetros limitados. Este enfoque minimiza la agrupación y la duración del diseño de los ensayos. Algunos de los BNMs comúnmente utilizados son los modelos de mezcla de procesos de Dirichlet y técnicas de Monte Carlo de Cadena de Markov (MCMC). Hay muchas aplicaciones de tales BNMs en el diseño de ensayos clínicos, por ejemplo, la selección de dosis en ensayos clínicos que involucran pacientes con cáncer, ensayos de inmunoterapia y terapia celular. La selección de dosis es complicada debido a la heterogeneidad de los pacientes, lo que puede llevar a una selección inexacta de dosis y de poblaciones objetivo futuras. Los BNMs son una herramienta eficiente y efectiva para la selección de dosis en tales pacientes porque consideran todas las variables y la heterogeneidad de los sujetos del estudio. El diseño bayesiano no paramétrico se utiliza para la selección adaptativa de dosis en múltiples poblaciones. Esto facilita el aprovechamiento de la información en múltiples poblaciones mientras se considera la heterogeneidad de las poblaciones. Dichos modelos ayudan en una selección óptima de dosis precisa, lo que minimiza la inexactitud. Otros diseños, como los diseños de intervalo de probabilidad de toxicidad modificados (mTPI), utilizan el proceso de Dirichlet. Este diseño aprende de los datos emergentes y selecciona la dosis mediante aproximación previa y agrupa automáticamente a los pacientes en grupos similares. La selección de participantes para el ensayo es el paso más importante donde el historial de salud de los pacientes/participantes proporciona información vital para cumplir con los criterios de inclusión o exclusión. Recopilar los datos/historiales de los pacientes o realizar pruebas frescas sería demorado y costoso. La IA proporciona la oportunidad de combinar los datos del paciente con el expediente médico electrónico (EMR) que incluye datos ómicos y otros datos del paciente, dispersos entre diferentes ubicaciones, propietarios y formatos. Este análisis utilizando algoritmos de visión por computadora como reconocimiento óptico de caracteres (OCR) y procesamiento de lenguaje natural (NLP) puede proporcionar un proceso eficiente en la identificación y caracterización de pacientes.

Monitorear a los participantes del ensayo es otro desafío en el ensayo clínico y puede realizarse mediante dispositivos portátiles habilitados para IA. Este monitoreo es en tiempo real, individualizado y eficiente en energía. El monitoreo basado en riesgos (RBM) ha surgido recientemente como una técnica habilitada para IA eficiente y rentable como alternativa al monitoreo tradicional. Una versión avanzada de RBM puede reducir el costo y aumentar la eficiencia y calidad del monitoreo de datos en el sitio del ensayo. El "monitoreo inteligente" asistido por IA puede utilizar análisis predictivos y visualización de datos para mejorar la verificación de calidad de datos y el rendimiento del sitio del ensayo. La adherencia de los pacientes a los criterios de adherencia del ensayo es importante para obtener datos confiables y el éxito del ensayo. El monitoreo mediante video y sensores portátiles captura automáticamente y de manera continua los datos del paciente, lo que hace que el ensayo sea eficiente en el monitoreo de la adherencia del paciente. La detección de endpoints y enfermedades basada en imágenes médicas se vuelve mucho más fácil a través de la IA en comparación con la lectura manual, y es rentable y rápida. Los desarrollos actuales sugieren que la IA es capaz de transformar la forma tradicional de los ensayos clínicos en ensayos clínicos rentables, seguros y más rápidos.

4.2.2. Monitoreo del Ensayo, Adherencia del Paciente y Detección de Puntos Finales

Monitorear a los participantes del ensayo es otro desafío en el ensayo clínico y puede realizarse mediante dispositivos portátiles habilitados para IA. Este monitoreo es en tiempo real, individualizado y eficiente en energía. El monitoreo basado en riesgos (RBM) ha surgido recientemente como una técnica habilitada para IA eficiente y rentable como alternativa al monitoreo tradicional. Una versión avanzada de RBM puede reducir el costo y aumentar la eficiencia y calidad del monitoreo de datos en el sitio del ensayo. El "monitoreo inteligente" asistido por IA puede utilizar análisis predictivos y visualización de datos para mejorar la verificación de calidad de datos y el rendimiento del sitio del ensayo. La adherencia de los pacientes a los criterios de adherencia del ensayo es importante para obtener datos confiables y el éxito del ensayo. El monitoreo mediante video y sensores portátiles captura automáticamente y de manera continua los datos del paciente, lo que hace que el ensayo sea eficiente en el monitoreo de la adherencia del paciente. La detección de puntos finales y enfermedades basada en imágenes médicas se vuelve mucho más fácil a través de la IA en comparación con la lectura manual, y es rentable y rápida. Los desarrollos actuales sugieren que la IA es capaz de transformar la forma tradicional de los ensayos clínicos en ensayos clínicos rentables, seguros y más rápidos.

5. IA en Pronóstico de una Epidemia/Pandemia

Las pandemias son desbordantes y capaces de causar morbilidad y mortalidad. A nivel global, ha habido varios brotes pandémicos, por nombrar algunos, la Peste Negra, la gripe española, el cólera, las gripes, el SIDA, COVID-19, y son capaces de causar interrupciones sociales y económicas. Existe una intensa interdependencia entre la detección temprana y la gestión exitosa de la enfermedad, lo que reduce el estrés en la salud de las personas, los sistemas económicos, sociales y políticos. Para lograr una detección temprana, la vigilancia juega un papel importante. La vigilancia activa demanda enormes recursos, mano de obra y tiempo. En la práctica, predecir la epidemia y pandemia es un desafío. Sin embargo, con los avances actuales, estudiar la propagación de enfermedades temibles es posible. La IA es la mejor opción para lograr una vigilancia con la utilización eficiente de recursos. El aprendizaje automático (ML) y el aprendizaje profundo se están incorporando en varios segmentos de la atención médica y se encuentran ser más efectivos en comparación con los recursos humanos. El desarrollo de modelos epidemiológicos sigue siendo un desafío debido a su complejidad. Recientemente, se ha incorporado el ML para desarrollar modelos de predicción de brotes. La IA se utiliza en la detección, prevención, respuesta y recuperación en pandemias y epidemias. En la prevención, se está comenzando a utilizar ampliamente en la predicción, vigilancia e información, especialmente en el reciente brote de COVID-19. Predecir las epidemias de influenza siempre es un gran desafío debido a su cambio en el pico epidémico, picos periódicos, etc. Con la incorporación del SAAIM (modelo de IA autoadaptativo), es posible una predicción precisa incluso en áreas con gripe estacional irregular. Por ejemplo, en Taiwán, se han utilizado enfoques de aprendizaje automático y de conjunto para predecir la gripe estacional, y es precisa en la predicción del pronóstico. Utilizando el modelo de red neuronal de propagación hacia adelante de aprendizaje automático (MSDII-FFNN), la precisión de la predicción de la gripe es del 90%. El mapa de movilidad anonimizado del aprendizaje automático (AMM) se ha incorporado en la predicción de la gripe en Australia y EE. UU. AMM agrupa los datos del teléfono inteligente y puede prever las epidemias utilizando la movilidad humana incluso a través de las fronteras estatales. En África, el Ébola sigue siendo un desafío. Para predecir el Ébola, se han empleado varias técnicas, incluida una red neuronal híbrida desarrollada por Umang Soni et al., que muestra una precisión del 100% cuando se emplea el bosque aleatorio como técnica de clasificación. El uso de modelos experimentales que involucran sociedades artificiales y la integración del aprendizaje automático ha dado lugar a resultados confiables en la predicción de la propagación. Por ejemplo, se ha estudiado la propagación del Ébola en un modelo simulado de Beijing, y se ha predicho el resultado. Era muy desafiante asignar los recursos de vigilancia durante la epidemia de Zika en 2015, debido a la falta de una predicción confiable. Más tarde, se utilizó un modelo de red neuronal dinámica para prever la propagación. Este marco de modelo predictivo flexible fue confiable y agregó valor en la fase inicial de la epidemia. Se utilizó una aplicación móvil en el proyecto Zika para monitorear la población de mosquitos, y la detección temprana se realizó incorporando redes neuronales de IA. La observación del poliovirus derivado de la vacuna (VDPV) ha ganado atención debido a sus resultados. El aprendizaje automático híbrido se incorpora con la combinación de redes de enlace funcional de vector aleatorio (RVFL) con el algoritmo de optimización de ballenas (WOA), que puede predecir un brote de VDPV. En las medidas de prevención del VIH/SIDA, el ML tiene el potencial de distinguir posibles candidatos para la profilaxis preexposición. El dengue es prevalente en zonas tropicales y subtropicales. El algoritmo de aprendizaje automático de regresión de vector de soporte (SVR) es capaz de predecir con un error mínimo y rastrear los brotes de dengue en China. En Malasia, el modelo de soporte de vectores de ML (SVM) utilizando núcleo lineal fue el mejor predictor para el dengue, y las técnicas de ML de redes bayesianas se emplearon en la predicción del brote de dengue. La ANN está incorporada para el diagnóstico rápido utilizando datos de sospechosos de TB, y la eficacia general es superior al 94%. Esto ayudará a detectar la propagación general de la enfermedad e implementar rápidamente algunas medidas de control. Usando el aprendizaje profundo y el aprendizaje automático, un modelo de CNN llamado tuberculosis AI (TB-AI) identificó el bacilo de la TB y mostró una sensibilidad del 97.94%. Se sugirió un Clasificador de Red Neuronal de Perceptrón Multicapa (MPNN) para el diagnóstico de la fiebre amarilla, tomando siete síntomas psicológicos de la fiebre amarilla, y logró la precisión de predicción del 88%. El brote de COVID-19 sacudió al mundo entero. Se utilizó un modelado de autoencoder apilado modificado inspirado en IA para predecir el COVID-19. El aprendizaje profundo de Monte Carlo Compuesto (CMC) en combinación con la regla difusa fue útil en la toma de decisiones y la predicción de la pandemia de COVID-19. Un polinomio de red neuronal con retroalimentación correctiva (PNN + CF) se usa para pronosticar con un error mínimo. CNN, una red neuronal profunda utilizada en China, tiene una eficacia de predicción precisa. En Suiza, el modelo de IA (Enerpol) combinado con Big Data se utiliza en la predicción de COVID-19. Para investigar el patrón dinámico de COVID-19, se incorporaron sistemas de aprendizaje estadístico y profundo como el modelo autorregresivo integrado de media móvil (ARIMA), percepción multicapa (MLP), red neuronal de propagación hacia adelante (FNN) y memoria a corto plazo (LSTM). Los datos producidos pueden ser una referencia útil para la predicción de COVID-19.

6. Discución y Conclusión 

Los investigadores están fascinados por los desarrollos recientes en IA, especialmente su aplicación en la investigación y prestación de servicios de atención médica y farmacéutica. Los hospitales y las instalaciones de atención médica inteligentes habilitadas con IA, ML y Big Data moldearán el futuro del sector de la salud. Las industrias farmacéuticas avanzan constantemente con sus tecnologías y la IA será una oportunidad para minimizar el costo y el tiempo de desarrollo de medicamentos. Se han presentado varias aplicaciones de IA en la investigación de atención médica y farmacéutica, así como las limitaciones/desafíos de estas tecnologías en la Tabla 1. El papel de la IA en el diagnóstico de enfermedades está bien demostrado mediante el uso de aprendizaje profundo, redes neuronales y aprendizaje no supervisado. Estas herramientas de IA tienen la capacidad de procesar datos no estructurados y correlacionarlos con los datos aprendidos para predecir un resultado preciso, lo que es útil para predecir un diagnóstico particular de enfermedad. La IA se ha demostrado ser una tecnología vital, como la instrucción asistida por computadora inteligente (ICAI), el razonamiento basado en casos, la técnica de regresión de vectores, el soporte para la toma de decisiones clínicas para monitorear el progreso de enfermedades crónicas y optimizar la terapia para esas enfermedades. La técnica de regresión de vectores es útil para identificar las conexiones entre variables; ICAI es útil en la instrucción asistida por computadora para obtener una respuesta informativa de los pacientes; el razonamiento basado en casos ayuda a resolver un problema a partir de su experiencia pasada similar y el soporte para la toma de decisiones clínicas proporciona información y conocimientos específicos del paciente al equipo de atención médica para ayudar en el monitoreo y tratamiento de una enfermedad. Estas tecnologías son útiles para desarrollar tratamientos personalizados, lo que siempre es un desafío. Otras técnicas, como la Radiómica, que es la predicción de resultados y toxicidad para la radioterapia de pacientes individuales, y la imagen de alta resolución de la retina, brindan la oportunidad de examinar la salud humana. El descubrimiento de medicamentos y llevar un nuevo medicamento al mercado es el objetivo principal de la I+D farmacéutica, que es un asunto muy largo y costoso. La IA tiene el potencial de facilitar el proceso, desde la selección de objetivos hasta los ensayos clínicos de un medicamento. El descubrimiento de medicamentos comienza con la identificación de moléculas biológicas objetivo que interfieren en la modificación de la enfermedad. En el proceso de descubrimiento de medicamentos, se generan miles de moléculas sintéticas que podrían unirse al objetivo y modificar su actividad para gestionar una enfermedad particular. En este proceso, el diseño de medicamentos asistido por computadora y la relación estructura-actividad cuantitativa (QSAR) o las relaciones estructura-propiedad cuantitativa (QSPR) se utilizan para determinar las propiedades fisicoquímicas y farmacocinéticas. El aprendizaje profundo y las redes neuronales basadas en el predictor ADMET y el programa ALGOPS se utilizan en la predicción de la lipofilicidad y solubilidad de una NCE. Chem Mapper y el enfoque de conjunto de similitud son las tecnologías de IA que predicen las interacciones fármaco-objetivo. En las pruebas de toxicidad, Deep Tox, eToxPred, TargeTox y PrOCTOR son las herramientas utilizadas en la predicción de la toxicidad de una molécula pequeña. Tales predicciones pueden excluir moléculas tóxicas plausibles y ayudar a las industrias a ahorrar tiempo y dinero en estudios preclínicos o clínicos. Los ensayos clínicos de una nueva molécula consumen la mayor parte del tiempo y presupuesto del proceso de descubrimiento de medicamentos, y la IA se ha utilizado para mejorar la calidad del diseño del ensayo, la selección de pacientes, la selección de dosis, la adherencia de los pacientes, el monitoreo del ensayo y el análisis de los resultados. Los BNMs tienen aplicación potencial en el diseño de ensayos clínicos y la selección de dosis, mientras que OCR y NLP proporcionan un método eficiente en la identificación y caracterización de pacientes. RBM, el monitoreo de video y los sensores portátiles son técnicas rentables en el monitoreo de pacientes y la adherencia de los pacientes. La IA puede desempeñar un papel clave en los ensayos clínicos para reducir la duración total y el costo de lanzar un medicamento al mercado. El mundo a menudo presencia varios brotes epidémicos y pandémicos que causan un tremendo sufrimiento humano y muertes. Actualmente, el mundo está presenciando la pandemia de COVID-19, con cerca de seis millones de muertes. Históricamente, ha habido muchos brotes mortales, que incluyen el cólera, la gripe española, el SIDA, etc. La IA es una tecnología efectiva en la detección, prevención, respuesta y recuperación en epidemias o pandemias. Se ha encontrado que el aprendizaje profundo es más efectivo en el seguimiento de la pandemia o epidemia. Otras tecnologías efectivas de IA incluyen las redes neuronales, AMM y el algoritmo de ML SVR para predecir una epidemia o pandemia. Además de sus aplicaciones y ventajas sobre los métodos tradicionales, la IA posee algunas limitaciones o desafíos. Los principales desafíos son la necesidad de enormes cantidades de datos para alimentar el sistema para el entrenamiento, dificultades logísticas en la implementación, gastos y dependencia del hardware o las instalaciones computacionales. A veces, las tecnologías de IA como QSPR y Chem Mapper no son confiables debido a la incertidumbre epistémica, errores y falta de flexibilidad. Los avances en las tecnologías de IA están en constante evolución, y estas tecnologías serán útiles cuando las ventajas sobre las limitaciones sean mayores. Por lo tanto, las técnicas habilitadas por IA abrirán muchas oportunidades en varios sectores de la atención médica y la investigación farmacéutica, y esto podría ser un cambio de juego en la investigación futurista.