Guía propuesta por la FDA sobre IA y modelos no animales: Salvaguardar la innovación en el desarrollo de fármacos

En abril de 2025, la Administración de Alimentos y Medicamentos de EE.UU. (FDA) publicó una guía histórica titulada "Hoja de ruta para reducir los ensayos con animales en estudios preclínicos de seguridaden la que esboza su compromiso con el avance de las metodologías de nuevo enfoque (NAM), incluidos los modelos in silico, los organoides y otras alternativas sin animales. Estas directrices animan a los promotores de solicitudes de nuevos fármacos en fase de investigación (IND) a adoptar alternativas científicamente creíbles a los estudios con animales, marcando un cambio hacia plataformas integradas de Inteligencia Artificial (IA) más relevantes para el ser humano para las presentaciones reglamentarias.

Anteriormente, en enero de 2025, la FDA publicó un borrador de guía titulado "Consideraciones para el uso de Inteligencia Artificial para apoyar la toma de decisiones regulatorias para medicamentos y productos biológicos". Hablamos de esta guía de la FDA en detalle aquí: AI Drug Development: FDA Releases Draft Guidance.

En resumen, esta guía se centra específicamente en el uso de la IA a lo largo del ciclo de vida de desarrollo de fármacos. Introduce un marco basado en el riesgo en función del contexto de uso del modelo y describe la información que debe divulgarse sobre la arquitectura del modelo, la gobernanza de los datos, el mantenimiento del ciclo de vida y el posible impacto clínico, en particular cuando el modelo influye en la seguridad del paciente o la calidad del medicamento.

Cada vez son más los ejemplos reales que confirman que las MNA basadas en IA se están convirtiendo en realidad y demuestran el éxito de la integración de la IA y las ciencias de la vida. En particular, el simulador de diabetes de tipo 1 de UVA/Padova, una plataforma silicofisiológica detallada, ya ha sido aceptada por la FDA y utilizada para apoyar la autorización reglamentaria de los dispositivos de monitorización continua de la glucosa (MCG). Se trata de una señal tangible de que los sistemas fisiológicos virtuales ya pueden formar parte de la base probatoria para la aprobación de la FDA.

La adopción interna de la IA por parte de la FDA refuerza su mensaje normativo e indica un compromiso institucional a largo plazo con las herramientas digitales. En particular, la FDA dio a conocer sus nuevos usos de herramientas de IA para operaciones internas, incluida una herramienta de IA generativa, "Elsa". La FDA indicó que incorporaría ampliamente estas herramientas en toda la agencia para finales de junio de 2025.

En conjunto, estos esfuerzos de la FDA marcan una evolución significativa: La IA y otras plataformas in silico son ahora no sólo permisibles, sino cada vez más esenciales para la toma de decisiones preclínicas y clínicas, junto con la revisión reglamentaria. Este reconocimiento conlleva un doble imperativo para los patrocinadores y desarrolladores: demostrar credibilidad a las autoridades reguladoras y salvaguardar la innovación con una sólida estrategia de propiedad intelectual. Las MNA aumentan significativamente la exposición de las empresas a los riesgos relacionados con la privacidad y la confidencialidad.

Las secciones siguientes exploran cómo las empresas y sus equipos jurídicos pueden responder estratégicamente, aprovechando los marcos emergentes de la FDA, protegiendo las innovaciones en el modelado de IA y garantizando que las prácticas de gobernanza de datos estén alineadas con los objetivos normativos y de PI.

¿Qué son las MNA?

Las NAM hacen referencia a estrategias sin animales para evaluar la seguridad y eficacia de los fármacos. Se trata de modelos in silico, sistemas microfisiológicos, organoides, plataformas de toxicología computacional y simulaciones clínicas basadas en IA. Las NAM ofrecen ventajas en cuanto a velocidad, coste y solidez ética, al tiempo que se ajustan más a la biología humana.

A pesar de los rápidos avances, la aceptación formal por parte de la FDA de los MNA basados en IA sigue siendo limitada. El simulador de diabetes de tipo 1 de UVA/Padova sigue siendo el único ejemplo ampliamente citado de un modelo in silico que se ha utilizado con éxito en las presentaciones reglamentarias de la FDA, concretamente en la evaluación de dispositivos CGM. Su aceptación subraya la posibilidad de vías reguladoras para simuladores fisiológicos complejos.

Sin embargo, el ecosistema de las MNA se está expandiendo rápidamente. Aunque no todas han logrado aún la plena cualificación de la FDA, se están estudiando varias plataformas prometedoras basadas en IA y datos:

• Modelos de órganos en chip y organoides: Los organoides derivados de pacientes y los sistemas órgano-en-un-chip se están validando para simular respuestas específicas de los tejidos. Por ejemplo, se ha demostrado que los organoides intestinales predicen la toxicidad de las terapias con células T.
• Toxicología computacional basada en IA: Se están desarrollando modelos de IA entrenados en bases de datos toxicológicas a gran escala para predecir resultados adversos y cuentan con el apoyo de la FDA a través de proyectos de validación colaborativos.
• Ensayos clínicos in silico (ISCT): Se están probando modelos computacionales de pacientes para simular los resultados de ensayos clínicos, en particular para pruebas de dispositivos, con flujos de trabajo definidos para la validación de modelos y el análisis de incertidumbres.
• Modelos farmacocinéticos de base fisiológica (PBPK): Simulan la distribución y el metabolismo de los fármacos y se están considerando como sustitutos parciales de los ensayos con animales en la elaboración de perfiles farmacocinéticos.
• Brazos de control sintéticos: las cohortes de pacientes virtuales derivadas de la IA están ganando adeptos como sustitutos de los grupos de placebo en los ensayos, lo que ayuda a reducir el número de participantes con pacientes reales.
• IA integrada en wearables: se están examinando modelos de IA que analizan datos en tiempo real procedentes de tecnologías sanitarias digitales (por ejemplo, wearables) para su uso en la monitorización de pacientes, la adjudicación de criterios de valoración y la gestión de ensayos.

Los MNA y el marco de riesgos de la FDA

Según las directrices de enero de 2025, la FDA utiliza un marco de riesgo bidimensional:

1. Riesgo de influencia del modelo: en qué medida influyen los resultados del modelo de IA en las decisiones.

2. Riesgo de consecuencia de la decisión: impacto potencial de esas decisiones en la seguridad del paciente o la integridad de los datos.

Esto determina el alcance de la documentación y la divulgación requeridas. Los modelos de IA de alto riesgo deben incluir presentaciones detalladas sobre los datos de entrenamiento, el rendimiento del modelo y la gobernanza, lo que crea tensiones con la protección del secreto comercial y aumenta la necesidad estratégica de cobertura de patentes. La evolución de la postura de la FDA respecto a las MNA basadas en IA indica que las plataformas habilitadas para IA pronto serán componentes estándar de las presentaciones reglamentarias. Por ello, los desarrolladores deben planificar con antelación las cuestiones de propiedad intelectual y gobernanza de datos, como se expone más adelante en las secciones B y C. 

Implicaciones para la estrategia de PI

Las directrices de la FDA indican que, cuando se empleen modelos NAM y de IA en la toma de decisiones clínicas o de fabricación, se podrá exigir a las partes interesadas que faciliten información sobre las fuentes de datos, los procedimientos de formación de modelos, los parámetros de evaluación y los protocolos de mantenimiento. A medida que se amplían estos requisitos de transparencia, resulta menos práctico confiar únicamente en los secretos comerciales, y la protección de patentes o las estrategias híbridas de propiedad intelectual cobran cada vez más importancia. La cartografía de las innovaciones específicas asociadas a las MNA y los modelos de IA permite a las partes interesadas identificar claramente las invenciones patentables. El siguiente marco ofrece un enfoque práctico para identificar los principales avances tecnológicos implícitos o asociados a las MNA y los modelos de IA más allá del propio modelo.

¿Genera o hace posible el modelo información clínicamente procesable de nuevas formas?

El descubrimiento de nueva información clínica puede implicar nuevos pasos metodológicos(por ejemplo, vías de administración específicas), formulaciones, dosis y tratamientos de diferentes indicaciones o poblaciones de pacientes. Como se ha comentado en nuestro análisis anterior de los agonistas del receptor GLP-1, aunque los mecanismos recién descubiertos pueden no ser patentables en sí mismos, a menudo permiten reivindicaciones en torno a nuevos métodos de tratamiento, regímenes de dosificación o formulaciones. Véase GLP-1 Receptor Agonists and Patent Strategy: Garantizar la protección de patentes para el nuevo uso de fármacos antiguos. En consecuencia, el uso de un NAM podría implicar reivindicaciones patentables dirigidas a métodos de tratamiento basados en nuevas poblaciones de pacientes, dosis o formulaciones. Alternativamente, el uso de NAMs podría implicar reivindicaciones patentables dirigidas a flujos de trabajo para predecir los resultados de los pacientes o monitorizar las respuestas al tratamiento.

¿Cambia el modelo la forma de diseñar los regímenes de tratamiento o los protocolos de ensayo?

El modelo de IA puede, por ejemplo, cambiar los controles y el diseño necesarios para el ensayo clínico, como los criterios de inclusión y exclusión, o formas novedosas de estratificar a los pacientes por subtipos moleculares, firma genómica o epigenómica. 

Además, los sistemas dinámicos de IA de podrían modificar los intervalos o el momento de administración de los agentes terapéuticos. 

¿Impone el modelo nuevos requisitos a la introducción o integración de datos?

El modelo de IA puede requerir una novedosa integración multimodal o longitudinal mediante, por ejemplo, la combinación de datos de imagen, ómicos y vestibles. El modelo de IA puede incorporar datos epidemiológicos para determinar grupos de pacientes, y la combinación con firmas complejas de biomarcadores a partir de grandes datos sobre firmas moleculares, datos genómicos, epigenómicos o multiómicos obtenidos de los pacientes. El uso de tales modelos de IA puede, por tanto, implicar flujos de trabajo patentables dirigidos a flujos de información que permitan la predicción de los resultados de los pacientes, la estratificación de la población de pacientes, la detección o el seguimiento del desarrollo de enfermedades. 

¿Cambia el modelo de IA o su estructura de datos la forma en que se recogen o procesan las muestras previas?

El modelo de IA puede alterar los flujos de trabajo de las muestras de pacientes, lo que podría dar lugar a métodos patentables. Los cambios podrían incluir nuevos protocolos de conservación de bioespecímenes, requisitos modificados de cantidad o tipo de muestras, o pasos de preprocesamiento añadidos. Estos ajustes del flujo de trabajo pueden respaldar reivindicaciones de métodos de preparación de muestras, sistemas automatizados integrados con IA o composiciones que impliquen muestras especialmente procesadas.

En resumen, a medida que los modelos de IA asumen funciones antes reservadas a los ensayos clínicos o los estudios con animales, su influencia en la toma de decisiones médicas, la recopilación de datos y los resultados normativos exige una estrategia de propiedad intelectual más matizada y con visión de futuro. El marco anterior ofrece una forma estructurada de identificar las innovaciones vinculadas no sólo al modelo en sí, sino a su impacto en los flujos de trabajo previos, los paradigmas de tratamiento y la gestión del ciclo de vida. Para los líderes en innovación y los equipos de PI, el marco anterior ofrece una forma sistemática de preparar sus modelos de IA para el futuro y garantizar la protección estratégica.

Esta perspectiva estratégica también pone de relieve la necesidad de enfoques de gobernanza de datos igualmente rigurosos, que ahora analizamos en la Sección C.

Gobernanza de datos y compartimentación en la era NAM

A medida que las NAM in silico y las plataformas habilitadas para IA se vuelven fundamentales para las presentaciones ante la FDA, la gobernanza de los datos emerge como un pilar estratégico crítico, tanto para el cumplimiento normativo como para la protección de la propiedad intelectual. Ahora, los patrocinadores deben planificar no solo la calidad de los datos y el rendimiento del modelo, sino también la forma en que la divulgación de datos se cruza con la ventaja competitiva.

Las directrices de la FDA hacen hincapié en la transparencia del ciclo de vida: es posible que sea necesario revelar y supervisar las entradas de datos, los conjuntos de datos de entrenamiento, las cohortes de prueba, las estrategias de validación de modelos e incluso las actualizaciones futuras. Si bien estas divulgaciones fomentan la confianza reglamentaria, también plantean riesgos para los secretos comerciales y la diferenciación competitiva, especialmente cuando el rendimiento del modelo depende en gran medida de conjuntos de datos patentados o de procesos de preparación de datos. Muchas empresas de ciencias de la vida están familiarizadas con una sólida gobernanza de datos en el contexto de la privacidad, pero las consideraciones de privacidad son distintas de la gestión de la confidencialidad y la divulgación a la hora de equilibrar el cumplimiento de la normativa con la protección de la propiedad intelectual. Para hacer frente a estas tensiones, los desarrolladores deben considerar una estrategia de gobierno de datos por niveles, haciendo hincapié en:

1. Modularización y compartimentación de los componentes del modelo

• Al aislar los elementos del diseño del modelo (por ejemplo, canal de preprocesamiento, arquitectura del modelo, entorno de despliegue), las empresas pueden revelar sólo las partes pertinentes para un contexto normativo determinado. Por ejemplo, el diseño de "laboratorios virtuales" de modelos de IA que trabajen juntos podría ayudar a modular diferentes funciones y conjuntos de datos para facilitar un sistema de gobernanza de datos cansado y limitar la divulgación de datos necesaria. Véase, por ejemplo, nuestro debate anterior sobre el uso emergente de "laboratorios virtuales" formados por un grupo de modelos de IA con funciones distintas: El Laboratorio Virtual de Agentes de IA: Una nueva frontera en la innovación.

2. Desvincular los datos protegidos de los conjuntos de datos presentados

• Justificación: El entrenamiento en grandes conjuntos de datos internos y la validación en conjuntos compartidos públicamente o aprobados por la FDA pueden permitir el cumplimiento sin revelar datos sensibles en bruto.
• Ejemplo: El modelo se entrena con datos multiómicos propios, pero se valida con conjuntos de datos de desafío aprobados por la FDA para su revisión reglamentaria.

3. Gobernanza por diseño para el control de versiones y la trazabilidad

• Justificación: El mantenimiento del ciclo de vida de los modelos de IA -incluida la desviación de datos, el reentrenamiento y la reimplantación- debe documentarse y justificarse ante la FDA. Cada vez es más indispensable una arquitectura de gobernanza que registre los cambios, justifique las actualizaciones y genere automáticamente registros de auditoría.
• Ejemplo: Registros automatizados que muestran cuándo se actualizaron las ponderaciones del modelo debido a nuevas tendencias de los datos a nivel de población, con garantía de reproducibilidad.

Estas estrategias no sólo se alinean con las expectativas cambiantes de la FDA, sino que también apoyan futuras afirmaciones de propiedad intelectual, por ejemplo, la presentación de patentes en torno a la partición de datos, herramientas de mantenimiento de modelos y conductos de integración regulatoria. Del mismo modo, a medida que aumenta el uso de herramientas de IA por parte de la FDA, las empresas deben mantener un diálogo abierto sobre cómo se están utilizando estas herramientas y con qué datos, de modo que puedan perfeccionar su gobernanza de datos en consecuencia.

Conclusiones: Alinear innovación, transparencia y estrategia

El desarrollo de fármacos basado en la IA y los métodos sin animales han pasado a un primer plano normativo gracias a la publicación por parte de la FDA de la guía sobre IA de enero de 2025, la hoja de ruta sobre NAM de abril de 2025 y otros hitos en el uso interno de la IA. Los modelos in silico han sido aceptados para las presentaciones reglamentarias de la FDA, como ejemplifica el simulador UVA/Padova. Estos avances conllevan oportunidades y obligaciones. Como se ha señalado anteriormente, los desarrolladores deben revisar cuidadosamente la guía de la FDA para determinar las estrategias para la construcción de plataformas de IA escalables, protegibles y clínicamente impactantes. La reflexión estratégica sobre la propiedad intelectual y la gobernanza de los datos debe comenzar desde el primer día. Al pensar temprana y sistemáticamente sobre la propiedad intelectual y la gobernanza de datos, las partes interesadas pueden posicionarse en la primera línea de la transformación impulsada por la IA en el desarrollo de fármacos.

Foley está aquí para ayudarle a abordar las repercusiones a corto y largo plazo de los cambios normativos. Disponemos de los recursos necesarios para ayudarle a navegar por estas y otras importantes consideraciones legales relacionadas con las operaciones empresariales y cuestiones específicas del sector. Póngase en contacto con los autores, con su socio de Foley, con nuestro equipo del Sector de Sanidad y Ciencias de la Vidao a nuestro Sector de Tecnología Innovadora si tiene alguna pregunta.