Dr. Marco V. Benavides Sánchez.
Por décadas, el desarrollo de nuevos medicamentos ha traído consigo una pregunta vital: ¿qué sucede cuando dos fármacos se combinan? Algunas combinaciones salvan vidas; otras pueden causar efectos adversos graves. Detectar estas interacciones –llamadas interacciones medicamento-medicamento o interacciones medicamentosas (DDIs por sus siglas en inglés)– ha sido una labor compleja, especialmente cuando los datos disponibles son desiguales o incompletos.
Un equipo internacional de investigadores propone una solución prometedora con ayuda de la inteligencia artificial (IA): el modelo DDIntensity. Este sistema usa redes neuronales profundas ya entrenadas para identificar patrones ocultos en grandes bases de datos biomédicos. Su principal objetivo es corregir un problema clásico en el mundo de la informática médica: el desequilibrio en los datos.
¿Qué significa que los datos están “desequilibrados”?
Cuando se entrena un modelo de IA, necesita ejemplos para aprender. Imagina que quieres enseñar a una IA a reconocer perros y gatos, pero le das 90 fotos de gatos y solo 10 de perros. El resultado: una IA que identifica gatos con precisión, pero falla con los perros. Lo mismo ocurre en bioinformática, donde los modelos aprenden a predecir riesgos de interacción entre medicamentos.
En este estudio, los autores enfrentaron un problema similar: las clases de riesgo bajo o moderado estaban bien representadas, mientras que los casos de alto riesgo eran escasos. Eso significa que el modelo tenía dificultades para identificar precisamente los DDIs peligrosos.
La apuesta por los modelos preentrenados
DDIntensity se basa en una técnica cada vez más común en IA: usar modelos que ya han sido entrenados con millones de datos. En este caso, se probaron “embeddings“(representaciones numéricas de información) derivados de textos biomédicos, imágenes médicas y datos de gráficas. El objetivo era ver cuál tipo de embedding ayudaba mejor al modelo a “entender” los riesgos de interacción.
El claro ganador fue BioGPT, un modelo de lenguaje especializado en textos biomédicos, desarrollado sobre la arquitectura GPT. Cuando se usaron sus embeddings junto con redes neuronales de tipo LSTM (Long Short-Term Memory) y atención (atención como mecanismo matemático), DDIntensity alcanzó un desempeño impresionante: un AUC (Area Under the Curve) de 0.97 y un AUPR (Area Under the Precision-Recall Curve) de 0.92. En términos simples, eso significa que el modelo tiene una precisión altísima para detectar DDIs incluso cuando los casos son raros o difíciles de encontrar.
Validación con datos reales
Para comprobar que no se trataba solo de buenos resultados en papel, DDIntensity fue evaluado con dos bases de datos: DDInter y MecDDI, esta última con interacciones clínicamente documentadas. Los investigadores también aplicaron el modelo a dos medicamentos oncológicos conocidos: Sorafenib y Mitoxantrone. Gracias al nuevo sistema, lograron detectar interacciones que podrían ser relevantes en contextos clínicos pero que estaban poco representadas.
¿Por qué importa este avance?
En medicina, prevenir es clave. Un sistema como DDIntensity puede asistir en la detección temprana de interacciones peligrosas sin necesidad de datos perfectamente balanceados. Eso lo hace especialmente útil en áreas como la oncología, donde los pacientes suelen tomar múltiples medicamentos y los riesgos de interacciones son altos.
Además, el modelo demostró ser escalable: puede adaptarse a nuevas tareas, nuevos medicamentos y nuevos tipos de información biomédica. Esta flexibilidad es esencial en un campo donde los datos cambian constantemente y donde la seguridad del paciente está en juego.
Un futuro más seguro gracias a la IA
Este estudio muestra que la IA no solo es útil cuando hay grandes cantidades de datos bien organizados. También puede funcionar en contextos donde los datos son escasos o desbalanceados, si se usan las herramientas adecuadas. El modelo DDIntensity combina lo mejor del procesamiento de lenguaje biomédico con arquitecturas neuronales avanzadas, permitiendo predicciones más confiables y rápidas.
Para los pacientes, esto se traduce en una medicina más segura, precisa y hecha a la medida de su historia clínica. Para los desarrolladores de fármacos y profesionales de la salud, implica colaborar con tecnologías que no solo aprenden, sino que evolucionan. Porque en esta nueva era de la medicina, el mejor aliado ya no lleva bata… lleva código.
Para leer más:
- Xie, W., Chen, X., Huang, L., Zheng, Z., Wang, Y., Zhang, R., Zhang, X., Liu, Z., Peng, C., Gullerova, M., & Wong, K. (2025). Addressing imbalanced drug-drug interaction risk levels using pre-trained deep learning model embeddings (DDintensity). Artificial Intelligence in Medicine, 103202. https://doi.org/10.1016/j.artmed.2025.103202
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Deja un comentario