Navegando por la guía propuesta por la FDA sobre IA y modelos no animales: protegiendo la innovación en el desarrollo de fármacos

En abril de 2025, la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) publicó una guía histórica titulada «Hoja de ruta para reducir los ensayos con animales en los estudios de seguridad preclínicos», en la que se describe su compromiso con el avance de las metodologías de nuevo enfoque (NAM), incluidos los modelos in silico, los organoides y otras alternativas que no utilizan animales. Esta guía anima a los patrocinadores de solicitudes de nuevos fármacos en investigación (IND) a adoptar alternativas científicamente creíbles a los estudios con animales, lo que supone un cambio hacia plataformas más relevantes para los seres humanos e integradas con inteligencia artificial (IA) para las presentaciones reglamentarias.

Anteriormente, en enero de 2025, la FDA publicó un documento complementario al borrador de la guía titulado «Consideraciones para el uso de la inteligencia artificial como apoyo en la toma de decisiones reguladoras sobre medicamentos y productos biológicos». Hemos analizado esta guía de la FDA en detalle aquí: Desarrollo de fármacos con IA: la FDA publica un borrador de directrices.

En resumen, esta guía se centra específicamente en el uso de la IA a lo largo del ciclo de vida del desarrollo de fármacos. Introduce un marco basado en el riesgo que se basa en el 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, especialmente cuando el modelo influye en la seguridad de los pacientes o en la calidad de los fármacos.

Un número cada vez mayor de ejemplos reales confirma que los NAM basados en IA se están convirtiendo en una realidad y demuestran la integración exitosa de la IA y las ciencias de la vida. Cabe destacar queel simulador de diabetes tipo 1 de la UVA/Padova, una plataforma silico fisiológicamente detallada, ya ha sido aceptado por la FDA y se utiliza para respaldar la autorización reglamentaria de los dispositivos de monitorización continua de glucosa (CGM). Se trata de una señal tangible de que los sistemas fisiológicos virtuales pueden formar ahora 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 regulatorio y señala un compromiso institucional a largo plazo con las herramientas digitales. En particular, la FDA dio a conocer sus nuevosusos de las herramientas de IA para operaciones internas, incluida una herramienta de IA generativa, «Elsa». La FDA indicó que incorporaría estas herramientas de forma generalizada en toda la agencia a finales de junio de 2025.

En conjunto, estas iniciativas de la FDA marcan una evolución significativa: la IA y otras plataformas in silico ahora no solo son permisibles, sino que cada vez son más importantes para la toma de decisiones preclínicas y clínicas, junto con la revisión normativa. Con ese reconocimiento surge una doble necesidad para los patrocinadores y desarrolladores de demostrar su credibilidad ante los reguladores y proteger la innovación con una sólida estrategia de propiedad intelectual. Los NAM aumentan significativamente la exposición al riesgo de las empresas en lo que respecta a cuestiones de privacidad y 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 se ajusten tanto a los objetivos normativos como a los de propiedad intelectual.

¿Qué son los NAM?

Los NAM se refieren a estrategias no animales para evaluar la seguridad y la eficacia de los medicamentos. Entre ellas se incluyen modelos in silico, sistemas microfisiológicos, organoides, plataformas de toxicología computacional y simulaciones clínicas basadas en inteligencia artificial. Los NAM ofrecen ventajas en cuanto a rapidez, coste y solidez ética, al tiempo que se ajustan mejor a la biología humana.

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

Sin embargo, el ecosistema de los NAM está creciendo rápido. Aunque no todos han conseguido la certificación completa de la FDA, hay varias plataformas prometedoras basadas en datos e inteligencia artificial que se están evaluando:

• Modelos de órganos en chip y organoides: Se están validando organoides derivados de pacientes y sistemas de órganos en chip para simular respuestas específicas de los tejidos. Por ejemplo, se ha demostrado que los organoides intestinales pueden predecir la toxicidad fuera del objetivo en 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, 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 los ensayos clínicos, en particular para las pruebas de dispositivos, con flujos de trabajo definidos para la validación de modelos y el análisis de incertidumbres.
• Modelos farmacocinéticos basados en la fisiología (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 inteligencia artificial están ganando terreno como sustitutos de los grupos placebo en los ensayos, lo que ayuda a reducir el número de pacientes reales que participan en ellos.
• IA integrada en dispositivos portátiles: Se están revisando los modelos de IA que analizan datos en tiempo real procedentes de tecnologías sanitarias digitales (por ejemplo, dispositivos portátiles) para determinar su función en la monitorización de pacientes, la evaluación de criterios de valoración y la gestión de ensayos.

Los NAM 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 los resultados del modelo de IA influyen en las decisiones.

2. Riesgo de las consecuencias de las decisiones: el impacto potencial de esas decisiones en la seguridad de los pacientes 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 tensión con la protección de los secretos comerciales y aumenta la necesidad estratégica de cobertura de patentes. La postura cambiante de la FDA sobre los NAM basados en IA indica que las plataformas habilitadas para IA pronto serán componentes estándar de las presentaciones reglamentarias. Por lo tanto, los desarrolladores deben planificar con antelación las cuestiones relacionadas con la propiedad intelectual y la gobernanza de los datos, tal y como se describe a continuación en las secciones B y C. 

Implicaciones para la estrategia de propiedad intelectual

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

¿El modelo genera o permite obtener información clínicamente útil de nuevas formas?

El descubrimiento de nueva información clínica puede implicar nuevos pasos metodológicos (por ejemplo, vías de administración específicas), formulaciones, dosis y tratamientos para diferentes indicaciones o poblaciones de pacientes. Como se ha comentado en nuestro análisis previo sobre los agonistas del receptor GLP-1, aunque los mecanismos recién descubiertos pueden no ser patentables por sí mismos, a menudo permiten reclamar nuevos métodos de tratamiento, regímenes de dosificación o formulaciones. Véase Agonistas del receptor GLP-1 y estrategia de patentes: garantizar la protección mediante patentes para nuevos usos de medicamentos 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 NAM podría implicar reivindicaciones patentables dirigidas a flujos de trabajo para predecir los resultados de los pacientes o supervisar las respuestas al tratamiento. 

¿El modelo cambia cómo se diseñan los regímenes de tratamiento o los protocolos de los ensayos?

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 nuevas formas de estratificar a los pacientes por subtipos moleculares, genómicos o epigenómicos. 

Además, los sistemasdinámicosde IA podrían cambiar los intervalos o el momento de administración de los agentes terapéuticos. 

¿El modelo impone nuevos requisitos en cuanto a la introducción o integración de datos?

El modelo de IA puede requerir una integración multimodal o longitudinal novedosa, por ejemplo, combinando datos de imágenes, ómicos y dispositivos portátiles. El modelo de IA puede incorporar datos epidemiológicos para determinar grupos de pacientes y combinarlos con firmas de biomarcadores complejos a partir de grandes volúmenes de datos sobre firmas moleculares, genómicos, epigenómicos o multiómicos obtenidos de los pacientes. Por lo tanto, el uso de estos modelos de IA puede implicar flujos de trabajo patentables dirigidos a flujos de información que permiten predecir los resultados de los pacientes, estratificar la población de pacientes, detectar o supervisar el desarrollo de la enfermedad. 

¿El modelo de IA o su estructura de datos cambian la forma en que se recogen o procesan las muestras iniciales?

El modelo de IA puede alterar los flujos de trabajo de las muestras de los pacientes, lo que podría dar lugar a métodos patentables. Los cambios podrían incluir nuevos protocolos de conservación de muestras biológicas, requisitos modificados en cuanto a la cantidad o el tipo de muestras, o pasos de preprocesamiento añadidos. Estos ajustes en los flujos de trabajo pueden respaldar las reivindicaciones relativas a los métodos de preparación de muestras, los sistemas automatizados integrados con IA o las composiciones que incluyen muestras procesadas de forma especial.

En resumen, a medida que los modelos de IA asumen funciones que antes estaban 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 solo al modelo en sí, sino también a su impacto en los flujos de trabajo ascendentes, los paradigmas de tratamiento y la gestión del ciclo de vida. Para los líderes en innovación y los equipos de propiedad intelectual, el marco anterior ofrece una forma sistemática de preparar sus modelos de IA para el futuro y garantizar una protección estratégica.

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

Gobernanza y compartimentación de datos en la era NAM

A medida que los modelos de análisis numérico (NAM) y las plataformas basadas en inteligencia artificial (IA) se convierten en elementos fundamentales para las presentaciones ante la FDA, la gobernanza de datos surge como un pilar estratégico crítico, tanto para el cumplimiento normativo como para la protección de la propiedad intelectual. Los patrocinadores ahora deben planificar no solo la calidad de los datos y el rendimiento de los modelos, sino también cómo la divulgación de datos se relaciona con la ventaja competitiva.

Las directrices de la FDA hacen hincapié en la transparencia del ciclo de vida: es posible que sea necesario divulgar y supervisar los datos introducidos, los conjuntos de datos de formación, las cohortes de pruebas, las estrategias de validación de modelos e incluso las futuras actualizaciones. Si bien estas divulgaciones promueven la confianza en la normativa, 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 propios o de procesos de preparación de datos. Muchas empresas del sector de las ciencias de la vida están familiarizadas con la gobernanza de datos sólida en el contexto de la privacidad, pero las consideraciones de privacidad son distintas de la gestión de la confidencialidad y la divulgación cuando se equilibra el cumplimiento normativo con la protección de la propiedad intelectual. Para abordar estas tensiones, los desarrolladores deben considerar una estrategia de gobernanza 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, el proceso de preprocesamiento, la arquitectura del modelo, el entorno de implementación), las empresas pueden divulgar solo las partes relevantes para un contexto normativo determinado. Por ejemplo, el diseño de «laboratorios virtuales» de modelos de IA que funcionan conjuntamente podría ayudar a modularizar 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 anterior debate 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. Desacoplamiento de los datos privados de los conjuntos de datos presentados

• Justificación: El entrenamiento con grandes conjuntos de datos internos y la validación con conjuntos compartidos públicamente o aprobados por la FDA pueden permitir el cumplimiento normativo sin revelar datos brutos confidenciales.
• Ejemplo: El modelo se entrena con datos multiómicos propios, pero se valida con conjuntos de datos de desafío avalados 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, incluyendo la deriva de datos, el reentrenamiento y la reimplementación, debe documentarse y justificarse ante la FDA. Cada vez es más indispensable contar con 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 los pesos del modelo debido a nuevas tendencias en los datos a nivel de población, con reproducibilidad garantizada.

Estas estrategias no solo se ajustan a las expectativas cambiantes de la FDA, sino que también respaldan futuras reivindicaciones de propiedad intelectual, por ejemplo, la presentación de patentes relacionadas con la partición de datos, las herramientas de mantenimiento de modelos y los procesos de integración normativa. 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 utilizan estas herramientas y con qué datos, de modo que puedan perfeccionar su gestión de datos en consecuencia.

Conclusión: Alinear la innovación, la transparencia y la estrategia

El desarrollo de fármacos basado en la IA y los métodos sin animales han pasado a primer plano en el ámbito normativo con 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 normativas de la FDA, como lo demuestra el simulador UVA/Padova. Estos avances traen consigo tanto oportunidades como obligaciones. Como se ha señalado anteriormente, los desarrolladores deben revisar cuidadosamente las directrices de la FDA para determinar las estrategias de creación de plataformas de IA escalables, protegibles y con impacto clínico. El pensamiento estratégico sobre la propiedad intelectual y la gobernanza de los datos debe comenzar desde el primer día. Al pensar de forma temprana y sistemática en la propiedad intelectual y la gobernanza de los datos, las partes interesadas pueden situarse en la vanguardia de la transformación impulsada por la IA en el desarrollo de fármacos.

Foley está aquí para ayudarle a abordar los impactos a corto y largo plazo tras los cambios normativos. Contamos con los recursos necesarios para ayudarle a navegar por estas y otras consideraciones legales importantes relacionadas con las operaciones comerciales y las cuestiones específicas del sector. Póngase en contacto con los autores, su socio de Foley, nuestro sector de la salud y las ciencias de la vidao a nuestro Sector de Tecnología Innovadora si tiene alguna pregunta.