Ensayos clínicos in silico: qué son y cómo funcionan
Los ensayos clínicos in silico permiten estudiar, mediante modelos computacionales, cómo podría comportarse un medicamento o un dispositivo médico antes de probarlo en un organismo real.
En la práctica, combinan inteligencia artificial, biología computacional, datos clínicos y modelos fisiológicos para anticipar aspectos como la eficacia, la seguridad o la evolución de una enfermedad.
La expresión puede inducir a error, porque no describe ensayos clínicos convencionales realizados íntegramente dentro de un ordenador. En muchos casos hablamos de simulaciones que complementan las fases preclínicas y clínicas, ayudan a seleccionar candidatos y permiten explorar escenarios que serían demasiado lentos, caros o difíciles de estudiar únicamente con pacientes o animales. El reto asistencial consiste en traducir esa capacidad de cálculo a decisiones comprensibles, verificables y clínicamente útiles.
Del concepto in silico a la investigación farmacológica
La investigación biomédica suele clasificarse con tres expresiones latinas. Los estudios in vivo se realizan en organismos vivos; los estudios in vitro, fuera de un organismo, por ejemplo en cultivos celulares; y los estudios in silico se desarrollan mediante modelos informáticos.
El término in silico fue acuñado en 1987 por Christopher Langton y se utilizó por primera vez para caracterizar experimentos biológicos realizados en ordenador en 1989, en un trabajo asociado a Pedro Miramontes. Desde entonces, el concepto ha dejado de referirse únicamente a simulaciones teóricas. Hoy abarca un conjunto amplio de técnicas que pueden intervenir en el descubrimiento de fármacos, la medicina de precisión, la farmacogenómica y la planificación de ensayos clínicos.
En nuestra práctica diaria, conviene distinguir tres usos principales:
1. Predicción molecular, para estimar cómo se unirá un compuesto a una diana terapéutica, qué propiedades puede tener y qué riesgos conviene investigar antes de avanzar.
2. Modelización farmacológica, para anticipar cómo se absorbe, distribuye, metaboliza y elimina una sustancia, así como la relación entre dosis y concentración en el organismo.
3. Simulación de poblaciones y enfermedades, para estudiar cómo responderían distintos perfiles de pacientes a una intervención, qué subgrupos podrían beneficiarse más y qué variables pueden modificar el resultado.
La inteligencia artificial puede participar en cada una de estas etapas, aunque no siempre es imprescindible. Algunos modelos se basan en ecuaciones fisiológicas conocidas; otros emplean aprendizaje automático para encontrar patrones en grandes conjuntos de datos. Los sistemas más sólidos suelen combinar ambos enfoques: el conocimiento biológico aporta coherencia y el análisis algorítmico ayuda a detectar relaciones difíciles de identificar mediante métodos tradicionales.
Un modelo in silico no sustituye la realidad biológica: nos ayuda a llegar a ella con mejores preguntas y menos incertidumbre inicial.
Por eso, cuando buscamos entender los ensayos clínicos in silico y qué son exactamente, la respuesta no debería reducirse a decir que son ensayos hechos por inteligencia artificial. Son herramientas de simulación y predicción que deben demostrar que sus resultados son suficientemente fiables para el uso concreto que se les quiere dar.
Cómo funciona una simulación de ensayos clínicos con IA
Un ensayo clínico virtual parte de un modelo que representa, con mayor o menor detalle, una enfermedad, un tratamiento o una población de pacientes. Para construirlo se pueden integrar datos procedentes de historias clínicas electrónicas, registros de pacientes, estudios previos, secuenciación genética, publicaciones científicas, pruebas de laboratorio y resultados de ensayos anteriores.
El proceso suele desarrollarse en varias fases.
1. Definir la pregunta clínica
Antes de elegir una herramienta de inteligencia artificial, hay que concretar qué se quiere predecir. No es lo mismo estimar la dosis inicial de un fármaco que identificar a los pacientes con mayor probabilidad de responder, predecir una reacción adversa o simular la evolución de una enfermedad crónica.
Una pregunta bien delimitada también permite fijar el resultado que se considerará aceptable. Por ejemplo, el modelo puede utilizarse para ordenar candidatos farmacológicos, descartar moléculas con un perfil de toxicidad desfavorable o calcular la probabilidad de que una intervención alcance un determinado objetivo clínico.
En este punto, el papel del facultativo sigue siendo central. Somos nosotros quienes conocemos el significado clínico de una variable, las limitaciones de una escala y las consecuencias de equivocarnos en un sentido u otro.
2. Reunir y preparar los datos
Los datos clínicos rara vez llegan al modelo en condiciones perfectas. Pueden contener valores ausentes, cambios en la forma de registrar una prueba, diferencias entre hospitales o pacientes que han recibido tratamientos muy distintos.
La preparación incluye, entre otras tareas:
- Homogeneizar unidades y nomenclaturas para que los datos sean comparables.
- Identificar valores ausentes y decidir si pueden estimarse o deben excluirse.
- Separar los datos utilizados para entrenar el modelo de los reservados para comprobar su funcionamiento.
- Revisar si la población de origen representa a los pacientes sobre los que se aplicará el resultado.
- Proteger la confidencialidad y controlar quién puede acceder a la información.
Una base de datos muy grande no garantiza una buena simulación. Si los registros proceden principalmente de un grupo de edad, una población genética o un entorno asistencial concreto, el sistema puede comportarse peor cuando se utiliza con pacientes diferentes. En farmacogenómica, este aspecto es especialmente relevante, porque la frecuencia de determinadas variantes genéticas no es idéntica en todas las poblaciones.
3. Construir el modelo del paciente o de la población
En algunos proyectos se trabaja con poblaciones virtuales formadas a partir de características reales, pero sin representar necesariamente a una persona concreta. En otros, se crea un gemelo digital: una representación computacional que integra datos fisiológicos, clínicos y, en determinados casos, genéticos de un paciente o de un órgano.
El nivel de detalle depende de la finalidad. Un modelo destinado a estudiar la presión arterial no necesita describir cada proceso molecular del organismo. En cambio, una simulación de la respuesta a un tratamiento oncológico puede requerir información sobre mutaciones, expresión génica, características del tumor, tratamientos previos y estado general del paciente.
La palabra gemelo puede sugerir una copia exacta, pero en medicina debemos utilizarla con prudencia. Un gemelo digital es una representación limitada a los datos, las variables y el horizonte temporal para los que ha sido diseñado. No reproduce toda la complejidad de una persona.
4. Simular la intervención
El sistema introduce el medicamento, la dosis, la pauta o el dispositivo en el modelo y calcula diferentes escenarios. Puede comparar varias dosis, prever concentraciones en sangre, estimar la aparición de determinados efectos o analizar cómo cambiaría el resultado si se modifica una característica del paciente.
En las pruebas de fármacos in silico, una de las aplicaciones más conocidas es la predicción del perfil ADME:
- Absorción: cómo entra el medicamento en el organismo.
- Distribución: cómo llega a los tejidos y órganos.
- Metabolismo: cómo se transforma, especialmente a través de enzimas.
- Eliminación: cómo sale del organismo.
Este perfil no es un detalle farmacológico aislado. Influye en la dosis, en la frecuencia de administración, en las interacciones con otros medicamentos y en el riesgo de acumulación. Cuando se incorpora información genética, el modelo puede ayudar a interpretar por qué algunos pacientes metabolizan una sustancia de forma más rápida o más lenta.
5. Comparar la predicción con resultados observados
La simulación no termina cuando el algoritmo produce una respuesta. Hay que comprobar si esa respuesta coincide con datos independientes, estudios de laboratorio, ensayos previos o resultados clínicos que no se hayan usado para construir el modelo.
También necesitamos conocer cuándo falla. Un modelo puede ofrecer buenos resultados en una población concreta y perder precisión en pacientes con insuficiencia renal, polimedicación, comorbilidades complejas o características genéticas poco representadas en los datos originales.
La validación debe ser específica para el uso previsto. Un sistema que sirve para priorizar moléculas en la fase de descubrimiento no necesariamente está preparado para decidir una pauta terapéutica individual. La confianza clínica no se obtiene por la sofisticación del algoritmo, sino por la evidencia que demuestra su utilidad en el contexto real.
Qué aportan los ensayos in silico a la medicina
Los ensayos in silico en medicina pueden reducir el número de opciones que deben probarse posteriormente y facilitar una selección más razonada de moléculas, dosis o perfiles de pacientes. En lugar de explorar todas las posibilidades de manera lineal, los investigadores pueden utilizar la simulación para concentrar los recursos en los escenarios con mayor probabilidad de éxito.
Acelerar el descubrimiento de fármacos
El desarrollo de un medicamento nuevo puede prolongarse durante años, porque cada fase debe aportar información sobre su actividad, su toxicidad y su comportamiento en el organismo. Los modelos computacionales permiten analizar grandes bibliotecas de compuestos y descartar algunos antes de que lleguen a pruebas más costosas.
La inteligencia artificial también puede ayudar a identificar estructuras moleculares con propiedades deseables o proponer modificaciones que mejoren su afinidad por una diana terapéutica. Sin embargo, una buena predicción molecular no demuestra por sí sola que el compuesto sea eficaz ni seguro en pacientes.
Explorar más escenarios clínicos
Un ensayo tradicional necesita limitar el número de grupos, dosis y combinaciones que se estudian. Una simulación puede explorar muchas alternativas en menos tiempo, lo que resulta útil para preparar un protocolo o decidir qué variables merece la pena analizar con pacientes reales.
También puede ayudar a estudiar situaciones difíciles de investigar de forma convencional, como enfermedades poco frecuentes, subgrupos con criterios muy específicos o efectos que aparecen después de periodos prolongados. Los modelos pueden ofrecer una primera estimación de esos escenarios, aunque sus resultados deben interpretarse con cautela.
Facilitar la medicina personalizada
La medicina de precisión busca que el tratamiento se adapte mejor a las características biológicas y clínicas de cada persona. En este contexto, los modelos pueden integrar edad, función renal, antecedentes, tratamientos concomitantes, biomarcadores y variantes genéticas.
En farmacogenómica, esta integración permite plantear preguntas como si un paciente podría metabolizar un medicamento con demasiada rapidez, si una variante aumenta el riesgo de toxicidad o si una alteración molecular hace más probable la respuesta a una terapia dirigida.
El objetivo no es que la máquina decida de manera aislada. El objetivo es facilitar que el equipo clínico interprete más información sin convertir la consulta en una sucesión interminable de resultados de laboratorio. La tecnología debe traducir complejidad, no trasladársela intacta al profesional o al paciente.
| Aplicación | Qué puede aportar el modelo | Qué no puede garantizar por sí sola |
|---|---|---|
| Descubrimiento de moléculas | Priorizar compuestos y anticipar algunas propiedades | Que el medicamento sea eficaz y seguro en humanos |
| Perfil ADME | Estimar absorción, distribución, metabolismo y eliminación | Reproducir todas las interacciones fisiológicas |
| Farmacogenómica | Relacionar variantes genéticas con una posible respuesta o toxicidad | Determinar una pauta sin contexto clínico |
| Selección de participantes | Identificar perfiles que podrían beneficiarse de un ensayo | Eliminar sesgos de los datos disponibles |
| Gemelos digitales | Explorar escenarios personalizados y evolución probable | Crear una copia completa e infalible del paciente |
| Dispositivos médicos | Simular determinados efectos sobre órganos o tejidos | Sustituir toda evaluación experimental y clínica |
Eficiencia: menos tiempo y menos recursos, pero no a cualquier precio
Una de las razones por las que ha crecido el interés por los ensayos clínicos virtuales es su potencial para reducir costes y acortar determinadas etapas de investigación. Las simulaciones requieren menos instalaciones físicas y pueden reutilizar datos clínicos previos, siempre que esos datos sean adecuados y estén correctamente documentados.
Algunas estimaciones sectoriales apuntan a que los ensayos in silico podrían ser hasta 90 veces más asequibles que los ensayos tradicionales en determinados contextos. No es una cifra que deba aplicarse como regla general ni un estándar oficial de las agencias reguladoras. El ahorro depende de la enfermedad, la complejidad del modelo, la calidad de los datos, la necesidad de validación experimental y el uso que se haga de la simulación.
La ventaja temporal también debe entenderse con precisión. Un ordenador puede simular en minutos ciertos efectos que, en la investigación convencional, exigirían observar la evolución de un tratamiento durante meses o años. Eso no significa que todos los ensayos clínicos puedan comprimirse al mismo intervalo. La simulación acelera el análisis de escenarios, pero no elimina automáticamente el tiempo necesario para demostrar que una intervención funciona y no causa daños inaceptables.
En la práctica diaria de la investigación, el mayor beneficio suele aparecer en las decisiones intermedias:
- Seleccionar qué moléculas merecen avanzar.
- Ajustar una dosis inicial o un intervalo de administración.
- Detectar posibles interacciones antes de diseñar una fase clínica.
- Identificar subgrupos que conviene estudiar por separado.
- Anticipar qué resultados pueden ser clínicamente relevantes.
- Reducir experimentos redundantes cuando ya existe evidencia suficiente.
El reto asistencial y científico está en evitar que la rapidez se convierta en una excusa para saltarse controles. Un modelo que produce resultados con mucha velocidad también puede propagar un error con mucha velocidad si se ha entrenado con datos incompletos o si se interpreta fuera de su ámbito.
La eficiencia de la inteligencia artificial no consiste en hacer innecesaria la validación, sino en dirigirla hacia las preguntas que más importan.
La relación con los ensayos tradicionales
Los métodos in silico no forman una vía paralela completamente separada de la investigación clínica. Lo más habitual es que se incorporen como una capa adicional de evidencia junto con los estudios de laboratorio, los modelos animales cuando proceda y los ensayos en seres humanos.
El proceso tradicional aporta algo que ningún modelo puede generar por completo: observaciones directas sobre cómo responde un organismo real, con toda su variabilidad biológica y clínica. La simulación, en cambio, permite ordenar esa variabilidad, construir hipótesis y analizar combinaciones que serían difíciles de estudiar una a una.
Podemos resumir la diferencia de esta manera:
En el enfoque convencional
- Se selecciona una intervención a partir de la evidencia disponible.
- Se estudia su actividad y toxicidad mediante métodos experimentales.
- Se diseña un ensayo con criterios de inclusión y exclusión determinados.
- Se administra el tratamiento a participantes y se siguen sus resultados.
- Se analizan los datos obtenidos y se decide si la evidencia permite avanzar.
En un flujo asistido por modelos in silico
- Se incorporan datos moleculares, fisiológicos y clínicos desde etapas tempranas.
- Se simulan diferentes dosis, perfiles de pacientes o respuestas posibles.
- Se priorizan las intervenciones con un balance preliminar más favorable.
- Se diseña el estudio clínico con una hipótesis más afinada.
- Se comparan las predicciones con los resultados reales y se recalibra el modelo.
La segunda vía no elimina la primera. La acompaña y puede hacerla más selectiva. Para nosotros, como clínicos, esto cambia sobre todo la forma de formular las preguntas: ya no se trata únicamente de saber si un fármaco funciona en términos generales, sino de comprender en quién, en qué condiciones y con qué riesgos es más probable que funcione.
Marco regulatorio: qué aceptan la EMA y la FDA
La incorporación de modelos computacionales a la evaluación de medicamentos exige que las agencias reguladoras puedan valorar no solo el resultado, sino también la calidad del proceso que lo ha generado.
En Estados Unidos, la FDA Modernization Act 2.0, aprobada en diciembre de 2022, incorporó de forma explícita el término in silico y reconoció métodos computacionales y alternativas sin animales dentro de la evaluación regulatoria de fármacos. Este cambio abrió un espacio jurídico más claro para utilizar nuevas herramientas, aunque no implica que cualquier simulación sea aceptada automáticamente.
En enero de 2026, la Agencia Europea del Medicamento y la FDA publicaron conjuntamente diez principios rectores para las buenas prácticas de inteligencia artificial a lo largo del ciclo de vida de los medicamentos. Estos principios se orientan a cuestiones como la definición del uso previsto, la calidad de los datos, la gestión del riesgo, la transparencia, la supervisión humana y la monitorización del rendimiento.
Para un equipo que desarrolla o integra una herramienta de este tipo, la documentación debe responder a preguntas concretas:
1. ¿Para qué decisión se ha diseñado el modelo?
No se evalúa igual una herramienta para generar hipótesis que otra que influye en la selección de participantes o en una decisión terapéutica.
2. ¿Con qué datos se ha construido?
Hay que conocer su procedencia, calidad, representatividad, posibles sesgos y condiciones de acceso.
3. ¿Cómo se ha validado?
La validación debe utilizar datos independientes y, cuando sea posible, escenarios cercanos al entorno donde se empleará.
4. ¿Qué margen de incertidumbre tiene?
Un resultado probabilístico no debe presentarse como una certeza clínica.
5. ¿Quién supervisa la decisión?
La responsabilidad debe permanecer claramente asignada dentro del equipo investigador y asistencial.
6. ¿Cómo se controlarán los cambios?
Si el modelo se actualiza con nuevos datos, habrá que verificar que no se deteriora su comportamiento ni cambia sin que el equipo lo sepa.
La regulación, por tanto, no se limita a preguntar si la inteligencia artificial es innovadora. Pregunta si es adecuada, reproducible, trazable y segura para el uso que se propone.
Gemelos digitales: una herramienta prometedora con límites concretos
Los gemelos digitales han adquirido relevancia porque permiten representar órganos, sistemas fisiológicos o perfiles completos de pacientes. La FDA ha colaborado en iniciativas como el Living Heart Project, orientado al desarrollo de gemelos virtuales del corazón para ensayar estrategias médicas y dispositivos antes de intervenciones reales.
En cardiología, un modelo puede ayudar a explorar cómo afectaría un dispositivo al flujo sanguíneo o qué respuesta podría producir una determinada intervención en una anatomía concreta. En otras áreas, los gemelos digitales pueden emplearse para estudiar la progresión de una enfermedad, comparar tratamientos o anticipar una complicación.
Su utilidad depende de la calidad de la representación. Si faltan variables esenciales, el modelo puede dar una imagen demasiado simplificada. También existe el problema de la actualización: un paciente cambia, responde al tratamiento, desarrolla una infección o modifica su medicación. Un gemelo digital que no incorpora esos cambios deja de acompañar la realidad clínica.
Por este motivo, no debemos tratarlo como un oráculo ni como una ficha definitiva del paciente. Es una herramienta dinámica, condicionada por los datos que recibe y por las reglas que la gobiernan. Su mejor función es facilitar una conversación clínica más informada, no cerrar la conversación antes de que el equipo valore los síntomas, las preferencias y el contexto de la persona.
Errores frecuentes al interpretar los ensayos in silico
La novedad tecnológica suele producir expectativas desproporcionadas. En este ámbito, hay varias confusiones que conviene evitar.
Confundir una predicción con una prueba clínica
Que un modelo estime una elevada probabilidad de respuesta no demuestra que el paciente vaya a responder. La predicción orienta la investigación y puede apoyar una decisión, pero necesita contrastarse con evidencia clínica.
Presentar cualquier sistema como inteligencia artificial validada
No todos los programas tienen el mismo fundamento. Un algoritmo entrenado con datos limitados, sin validación externa o sin control de versiones no debería recibir el mismo nivel de confianza que un modelo evaluado en varias poblaciones y con resultados reproducibles.
Ignorar la calidad de los datos
Los datos históricos pueden reflejar desigualdades de acceso, diagnósticos incompletos, tratamientos diferentes o cambios en los criterios clínicos. Si el modelo aprende esas distorsiones, sus recomendaciones pueden amplificarlas.
Utilizar un modelo fuera de su finalidad
Una herramienta desarrollada para predecir metabolismo no tiene por qué servir para decidir eficacia. Del mismo modo, un gemelo digital de un órgano no reproduce necesariamente la respuesta sistémica de todo el paciente.
Reducir la supervisión humana a una formalidad
La revisión del facultativo no consiste en aceptar o rechazar una cifra sin más. Implica interpretar la calidad de la predicción, contrastarla con la historia clínica y explicar sus límites al paciente y al resto del equipo.
Prometer la desaparición de los ensayos en humanos
No existe base para afirmar que los modelos in silico hayan sustituido por completo las fases clínicas en humanos o animales para la aprobación general de medicamentos. Tampoco sabemos si las agencias autorizarán a corto plazo eliminar totalmente la fase 3 para moléculas completamente nuevas. La evidencia computacional puede ganar peso, pero no convierte la biología humana en un problema ya resuelto.
Qué debe hacer un equipo sanitario ante una herramienta in silico
Cuando un hospital, un centro de investigación o una compañía plantea incorporar una simulación, la primera conversación no debería comenzar por la marca del programa ni por el número de parámetros del algoritmo. Debe comenzar por la necesidad clínica.
Un recorrido razonable puede ser el siguiente:
1. Definir el problema asistencial.
Hay que describir qué decisión se quiere mejorar y qué consecuencias tiene un resultado incorrecto.
2. Delimitar el uso previsto.
El modelo puede servir para investigar, priorizar, apoyar una decisión o automatizar una parte del proceso. Cada finalidad exige controles diferentes.
3. Revisar los datos disponibles.
Conviene comprobar si representan a la población atendida, si contienen información genética suficiente y si pueden integrarse con los sistemas del centro.
4. Exigir validación independiente.
Los resultados obtenidos por el propio desarrollador son necesarios, pero no bastan para conocer el comportamiento en otro entorno.
5. Establecer un circuito de supervisión.
Debe quedar claro quién revisa las predicciones, cómo se registran las discrepancias y cuándo se decide no utilizar el resultado.
6. Explicar la incertidumbre.
Los profesionales necesitan comprender qué significa la salida del modelo para poder trasladarla al paciente con un lenguaje honesto.
7. Medir el impacto real.
No basta con que el programa sea rápido. Hay que saber si mejora la selección de tratamientos, reduce pruebas innecesarias, evita toxicidades o facilita el acceso a ensayos relevantes.
Este último punto es el que conecta la innovación con la transformación digital asistencial. Una solución técnicamente brillante puede fracasar si añade pasos, genera alertas irrelevantes o no encaja en el tiempo disponible durante la consulta.
El futuro: de la simulación aislada a la evidencia integrada
El desarrollo de los ensayos clínicos in silico avanzará probablemente hacia modelos que integren múltiples capas de información: secuenciación de ADN, datos de expresión génica, imágenes médicas, constantes fisiológicas, respuesta a tratamientos y resultados comunicados por los propios pacientes.
En oncología, esa combinación puede facilitar la selección de terapias dirigidas según las alteraciones moleculares del tumor. En enfermedades raras, puede ayudar a construir cohortes virtuales cuando el número de pacientes disponibles es muy reducido. En farmacología, puede contribuir a anticipar interacciones entre medicamentos y a ajustar tratamientos a perfiles metabólicos concretos.
También será necesario mejorar la interoperabilidad entre hospitales, laboratorios, investigadores y desarrolladores. Si cada sistema utiliza definiciones distintas o no puede compartir datos de forma segura, el potencial de la simulación se queda fragmentado.
La medicina personalizada no consistirá únicamente en acumular más información. Necesitaremos modelos capaces de traducirla en decisiones comprensibles, con una trazabilidad que permita reconstruir por qué se produjo una recomendación y con suficiente flexibilidad para incorporar nueva evidencia.
Para nosotros, los clínicos, la cuestión decisiva no es si una herramienta utiliza el algoritmo más avanzado. Es si nos ayuda a acompañar mejor al paciente, interpretar su riesgo con mayor precisión y facilitar una decisión compartida sin esconder la incertidumbre detrás de una pantalla.
Los ensayos clínicos in silico son una pieza relevante de esa transformación. Permiten explorar antes, comparar más escenarios y utilizar mejor los datos de los que ya disponemos. Pero su valor depende de que se integren con la farmacología, la genética, la experiencia clínica y la evaluación regulatoria. La innovación no está en sustituir el juicio médico, sino en darle un soporte más amplio y mejor traducido a la realidad de la consulta.