A principios de la década de 2020, la inteligencia artificial era como un juguete nuevo y brillante. Los LLM empezaron a escribir poesía, a generar imágenes surrealistas y a transformar los sistemas de historiales médicos electrónicos (HCE). Por aquel entonces, la conversación estaba dominada por verbos en tiempo futuro: La IA cambiará la medicina; la IA podría acelerar la investigación.
En 2026, la IA se ha extendido a otras facetas de la vida cotidiana. En el sector biofarmacéutico, el «hype cycle» se ha asentado en un ritmo de aplicación pragmática. Aun así, las conversaciones en Sermo indican que los médicos no están seguros de hasta dónde llegará la evolución. «Creo que nadie puede predecir lo rápido que va a evolucionar [la IA], puede ser exponencial o llegar a una [meseta]», escribe un médico generalista de la comunidad.
Un neurólogo pediátrico tiene una opinión similar: «Todo está por decidir, y se aclarará cuál será el papel de los humanos ante los avances que traerá la IA».
Aunque el resultado final sigue siendo impredecible, la dirección está clara. La IA está cambiando fundamentalmente la forma en que se conciben, prueban y administran las terapias. He aquí cómo la IA en el desarrollo de fármacos está remodelando el panorama clínico en 2026.
Acelerar el camino hacia la identificación de objetivos
Durante décadas, la identificación de dianas (encontrar las moléculas específicas a las que se dirige un fármaco durante su desarrollo) fue un juego de adivinanzas, a menudo plagado de altos índices de fracaso.
La aparición de la IA para el descubrimiento de fármacos puede acelerar el proceso. Al pasar a la selección computacional de dianas antes de la validación en laboratorio húmedo, los investigadores están identificando dianas viables con mayor eficacia. Esto les permite fallar candidatos in silico (en el ordenador) en lugar de in vivo (en modelos animales o pruebas en humanos). Dicho esto, la IA tiene sus limitaciones. A menudo, los modelos se entrenan con datos incompletos o de mala calidad, lo que reduce su precisión, según un estudio de 2025. También existe la posibilidad de entrenar con datos sesgados, lo que da lugar a sistemas de IA sesgados, señalan los autores del estudio.
Los médicos de Sermo observan este cambio. Cuando se les preguntó si la IA acelerará significativamente el desarrollo de fármacos en los próximos cinco a diez años, el 29% predijo una aceleración significativa, el 37% dijo mejoras moderadas y sólo el 3% dijo que los plazos no cambiarán significativamente. Cuando la comunidad compartió sus puntos de vista sobre el impacto potencial más fuerte de la IA, las principales respuestas fueron la identificación de dianas en las primeras fases (28%), la predicción de interacciones entre fármacos y dianas (28%) y el diseño de ensayos clínicos (15%).
En febrero de 2026, no hay ningún fármaco diseñado con IA aprobado por la FDA, pero aquí tienes un desglose de cómo estos avances están transformando el futuro desarrollo de fármacos:
Identificación de objetivos en las primeras fases
Los algoritmos pueden ahora escanear simultáneamente conjuntos de datos genómicos, información proteómica y literatura científica para señalar vínculos causales entre objetivos biológicos y estados de enfermedad.
Un otorrinolaringólogo de Sermo se siente alentado por esta aplicación. «Creo que la IA es muy prometedora para el desarrollo de fármacos», afirma. «Puede analizar enormes conjuntos de datos, identificar objetivos potenciales más rápidamente y reducir el tiempo y el coste de los descubrimientos en fase inicial. Aunque no sustituirá a la experiencia humana, puede acelerar significativamente la investigación, mejorar la precisión y abrir la puerta a tratamientos que habrían sido imposibles de encontrar con los métodos tradicionales.»
Un oftalmólogo y miembro de Sermo cree que la IA «permitirá acelerar rápidamente las pruebas de moléculas prometedoras y eliminar otras mucho antes en el proceso.»
Predicción de las interacciones fármaco-objetivo
Una vez identificada la diana, el siguiente obstáculo es la afinidad de unión. ¿Se adherirá realmente la molécula? Históricamente, esto requería pruebas físicas exhaustivas. Los modelos de aprendizaje profundo podrían ayudar a predecir estas interacciones.
Diseño de ensayos clínicos
Unos criterios de valoración deficientes o unos criterios de exclusión poco realistas pueden condenar un estudio durante la fase de diseño del protocolo, antes de que se inscriba ningún sujeto. Las herramientas de IA simulan ahora los protocolos de los ensayos con datos históricos para predecir posibles cuellos de botella. «La IA es muy prometedora: acelera el descubrimiento de dianas, predice el comportamiento de las moléculas y reduce las tasas de fracaso en las primeras fases», escribe un dermatólogo en Sermo.
Algunos miembros de Sermo siguen siendo cautelosamente optimistas. «La IA está acortando los plazos y agudizando la búsqueda de nuevas moléculas y dianas, y está empezando a ayudar a diseñar mejores ensayos y a seleccionar a los pacientes», señala un oncólogo radioterapeuta. «Pero aún necesitamos mucha más validación independiente y transparencia antes de confiar plenamente en sus resultados en la práctica clínica».
Reclutamiento y estratificación de pacientes
Encontrar al paciente adecuado para el ensayo adecuado puede ser una pesadilla logística. La IA está perfeccionando la estratificación de los pacientes mediante el análisis de los historiales médicos electrónicos para encontrar candidatos aptos que, de otro modo, podrían pasarse por alto.
Un médico generalista de Sermo cree que éste podría ser uno de los puntos fuertes de la IA. «La IA encierra un inmenso potencial para el descubrimiento de fármacos, acelerando el proceso y perfeccionando la estratificación de los pacientes, siempre que se valide sólidamente y se integre de forma meditada en la práctica», escriben.
Seguridad predictiva: reducir el abandono clínico utilizando la IA en el desarrollo de fármacos
A veces, durante el desarrollo de un fármaco, un candidato muestra eficacia pero falla en seguridad, a menudo en una fase avanzada. Los modelos predictivos de seguridad pueden ayudar a mitigar este riesgo.
El análisis computacional puede ayudar a detectar posibles problemas de cardiotoxicidad y metabólicos antes de que un fármaco entre en el cuerpo humano. Al generar perfiles de actividad que mapean cómo podría interactuar una molécula con los receptores no diana (los que no quieres que toque), los investigadores pueden asegurarse de que sólo avancen los candidatos de alta calidad.
Los miembros de Sermo están divididos en cuanto al grado de confianza que depositan en las predicciones generadas por la IA durante las primeras investigaciones. El 13% de los participantes en una encuesta dijeron que tienen «mucha confianza», el 36% tienen «algo de confianza», el 31% son neutrales y el 17% no tienen confianza.
Optimizar los ensayos clínicos con gemelos digitales
Un gemelo digital es esencialmente una representación virtual de un paciente -o un brazo de control- construida a partir de grandes cantidades de datos sanitarios. Permite a los investigadores simular cómo podría responder a un tratamiento un paciente con características específicas. Esto tiene implicaciones para el objetivo a largo plazo de reducir el tamaño de los grupos de control o complementar los brazos placebo tradicionales en determinados contextos. Tiene el potencial de ayudar a reducir el capital y el tiempo malgastados al predecir los resultados antes del despliegue de los recursos del mundo real.
Un ginecólogo de Sermo considera que se trata de una herramienta fundamental para el futuro. «La IA va a poder acelerar el desarrollo de fármacos», escriben. «Los gemelos digitales van a ser extremadamente útiles».
Para profundizar en esta tecnología concreta, lee el artículo completo de Sermo sobre los gemelos digitales en la sanidad.
Generar confianza mediante la transparencia de la «Caja de Cristal
A pesar del entusiasmo, la IA y el desarrollo de fármacos tienen un problema de relación persistente: el problema de la «caja negra».
Al principio, los algoritmos de aprendizaje profundo escupían una respuesta correcta (por ejemplo, «Esta molécula se unirá a esta proteína»), pero no podían explicar cómo habían llegado a esa conclusión. En medicina, esto no es suficiente.
El objetivo es pasar a sistemas de IA de «caja de cristal» que ofrezcan un razonamiento rastreable. La interpretabilidad es especialmente importante para las aplicaciones médicas de IA de alto riesgo. Si una IA sugiere una vía de tratamiento, un médico humano tiene que poder auditar la lógica.
A los médicos de Sermo les preocupa la posibilidad de que los proveedores puedan confiar en los datos de la IA sin pensar de forma crítica. En respuesta a una encuesta en la que se preguntaba qué es lo que más preocupa a los miembros sobre la integración de la IA en el desarrollo de fármacos, la respuesta más popular fue «la excesiva confianza en la tecnología por parte de los equipos de investigación», con un 26% de los votos. El factor que más aumentaría su confianza es la validación independiente de los algoritmos (25%). Evidentemente, muchos miembros desconfían de la posibilidad de depositar una confianza ciega en las respuestas de los modelos de caja negra.
La transición de la caja negra a la caja de cristal sigue su curso, desde la perspectiva de un médico generalista miembro de Sermo. «…muchos modelos de IA siguen funcionando como ‘cajas negras’, y sin metodologías transparentes ni datos prospectivos sólidos, es difícil calibrar lo bien que estas herramientas generalizan más allá de los conjuntos de datos curados», razonan.
En EE.UU., las herramientas de IA utilizadas en el desarrollo de fármacos no están reguladas como productos independientes. En cambio, la Administración de Alimentos y Medicamentos (FDA) evalúa cómo se utilizan los conocimientos generados por la IA dentro del proceso de desarrollo de fármacos, sobre todo cuando influyen en el diseño de los ensayos clínicos, las evaluaciones de seguridad o las presentaciones reglamentarias. Aunque los reguladores se han mostrado abiertos a los enfoques asistidos por la IA, las normas para validar los modelos adaptativos o de aprendizaje continuo siguen evolucionando.
El papel de la IA en el futuro
En el desarrollo de fármacos, la IA tiene el potencial de sustituir el cribado de fuerza bruta por un diseño racional y predictivo. Podría ayudar a introducir una verdadera medicina de precisión: suministrar el fármaco adecuado al paciente adecuado, en el momento adecuado y con menos residuos. Los médicos de Sermo participan en debates sobre las posibles ventajas y desventajas de la IA en el desarrollo de fármacos y más allá. Únete a la comunidad para acceder (y contribuir) a la mayor base de datos de valoraciones de fármacos del mundo, debatir las pruebas clínicas de la primera oleada de terapias diseñadas con IA y mantenerte a la vanguardia de los nuevos avances.
