Farmacogenómica y medicina personalizada: el papel de la IA

La farmacogenómica y medicina personalizada con inteligencia artificial se presentan a menudo como el paso definitivo desde la prescripción basada en promedios hacia una terapia diseñada para cada organismo. Es una formulación atractiva. También es incompleta.

La inteligencia artificial puede detectar relaciones entre variantes genéticas, variables clínicas y respuesta a los medicamentos que serían difíciles de identificar mediante reglas simples. Puede ayudar a estimar dosis, anticipar reacciones adversas y ordenar grandes volúmenes de información. Pero no convierte automáticamente una asociación estadística en una decisión clínica fiable. Entre una predicción prometedora y una herramienta segura hay ensayos, validación externa, integración en la historia clínica y vigilancia posterior. Y, en medicina, esa distancia suele ser bastante más larga que el titular.

Desde mi trabajo en bioinformática, observo el mismo problema con demasiada frecuencia: se confunde capacidad de cálculo con poder predictivo. Un modelo puede procesar millones de variables y seguir ofreciendo una respuesta mediocre cuando cambia la población, el hospital o el medicamento. La IA no elimina el ruido estadístico. A veces lo empaqueta con una interfaz muy convincente.

Qué aporta realmente la IA a la farmacogenómica

La farmacogenómica estudia cómo las variaciones genéticas influyen en la respuesta a los fármacos. Su objetivo no consiste únicamente en saber si una persona tiene una variante determinada, sino en relacionar esa información con la dosis, la eficacia, el metabolismo y el riesgo de toxicidad de un tratamiento.

En la práctica, la respuesta a un medicamento depende de varias capas:

• Variantes genéticas que afectan a la absorción, el metabolismo o la eliminación del fármaco.
• Edad, peso, función renal y función hepática.
• Medicación concomitante e interacciones entre tratamientos.
• Diagnóstico, gravedad de la enfermedad y antecedentes clínicos.
• Alimentación, adherencia y otros factores que rara vez aparecen completos en una base de datos.
• Características de la población en la que se entrenó el algoritmo.

Un enfoque farmacogenómico convencional puede aplicar reglas del tipo: si el paciente presenta una variante concreta, conviene ajustar la dosis o valorar una alternativa. Los modelos de aprendizaje automático intentan ir más allá. Combinan muchas variables y estiman probabilidades individuales, en lugar de apoyarse en un único marcador genético.

Ahí reside su interés y también su fragilidad. Cuantas más variables incorpora un modelo, más oportunidades tiene de encontrar patrones espurios. Si el conjunto de datos es pequeño, desigual o está mal etiquetado, la red neuronal puede aprender el hospital, el protocolo de extracción de muestras o el perfil de los pacientes reclutados, en lugar de aprender la biología que debería predecir.

La diferencia entre correlación y utilidad clínica

Un modelo puede alcanzar buenos resultados en la base de datos con la que fue desarrollado. Eso demuestra que ha encontrado una regularidad interna. No demuestra que vaya a funcionar en otro centro, con otra población o con pacientes que reciben tratamientos distintos.

Para valorar una aplicación de IA en farmacogenética conviene separar al menos cuatro preguntas:

1. ¿Qué variable intenta predecir? No es lo mismo estimar una dosis inicial que anticipar una reacción adversa grave o determinar si un fármaco será eficaz.

2. ¿Con qué pacientes se entrenó? La representación genética de la población condiciona el resultado. Un modelo construido con datos de una población concreta puede perder precisión en otra.

3. ¿Se validó fuera del conjunto original? La validación interna es insuficiente si no existe una evaluación independiente.

4. ¿La predicción cambia una decisión clínica? Un modelo puede ser estadísticamente significativo y, aun así, aportar poco a la práctica cotidiana.

El último punto suele quedar relegado. Un algoritmo que mejora ligeramente una métrica de laboratorio no necesariamente reduce ingresos hospitalarios, toxicidad o tiempo hasta alcanzar una dosis eficaz. La medicina no prescribe valores de área bajo la curva. Prescribe tratamientos a personas.

Un algoritmo farmacogenómico no es útil porque encuentre patrones. Es útil cuando esos patrones mejoran una decisión clínica fuera del laboratorio donde fueron descubiertos.

Warfarina: un ejemplo de lo que sí puede hacer un modelo

La dosificación de warfarina es uno de los casos más citados para explicar el potencial de la farmacogenómica. La respuesta al fármaco presenta una variabilidad considerable y depende de factores genéticos y clínicos. La dosis inadecuada puede retrasar el control de la coagulación o aumentar el riesgo de reacciones adversas.

Un algoritmo basado en redes neuronales artificiales ha demostrado utilizar variables genéticas y clínicas para predecir la dosificación de warfarina. Según la evidencia disponible, este enfoque mejoró el tiempo necesario para alcanzar el INR terapéutico y redujo reacciones adversas frente a estrategias menos personalizadas.

El interés del ejemplo no está en proclamar que las redes neuronales hayan resuelto la prescripción anticoagulante. No la han resuelto. El valor está en mostrar que una combinación de datos genómicos y clínicos puede superar una aproximación basada únicamente en dosis estándar o en ajustes sucesivos.

La diferencia es importante. El modelo no sustituye la monitorización del INR, la revisión de interacciones ni la valoración médica. Ayuda a establecer una dosis inicial más informada y puede reducir parte de la incertidumbre. Después, el paciente sigue siendo un sistema biológico que cambia, no una fila congelada en una hoja de cálculo.

Qué variables deben entrar en la predicción

En el caso de la warfarina, la información genética puede contribuir a explicar diferencias en el metabolismo y la respuesta. Sin embargo, una predicción razonable exige combinarla con variables clínicas. Si el modelo ignora función hepática, otros medicamentos o cambios en el estado del paciente, su precisión aparente puede resultar engañosa.

Este es un patrón general de las aplicaciones de la IA en farmacogenética:

• El genoma aporta contexto, pero rara vez describe por sí solo toda la respuesta terapéutica.
• La historia clínica aporta condiciones actuales, aunque puede contener datos incompletos, desactualizados o codificados de forma irregular.
• Los resultados analíticos aportan estado fisiológico, pero no siempre están disponibles con la misma frecuencia.
• El algoritmo integra las capas, pero depende de la calidad y de la coherencia de los datos que recibe.

Por eso, la predicción de respuesta a fármacos mediante IA no debe interpretarse como una lectura directa del ADN. Es una estimación construida a partir de múltiples señales con distintos niveles de fiabilidad.

El problema que España no puede resolver importando bases de datos

En junio de 2023, el Ministerio de Sanidad presentó el Catálogo de Genómica de la Cartera de Servicios del Sistema Nacional de Salud. El catálogo incluye un área específica dedicada a la farmacogenómica y representa un paso relevante para incorporar la información genómica a la atención sanitaria.

Pero disponer de un catálogo no equivale a haber homogeneizado la práctica clínica. Tampoco significa que todos los hospitales trabajen con las mismas capacidades, los mismos circuitos de laboratorio o el mismo acceso a herramientas de decisión. La implementación real depende de recursos, interoperabilidad, formación y criterios comunes. El documento puede ordenar el mapa. No construye por sí solo las carreteras.

La cuestión de los datos poblacionales es aún más incómoda. La base Collaborative Spanish Variant Server recoge la variabilidad genética de la población española y ha identificado más de 12.000 variantes presentes en más del 5 % de la población autóctona que no aparecen en bases de datos internacionales.

No es un detalle técnico menor. Una variante ausente de una base de referencia puede interpretarse mal, clasificarse con exceso de prudencia o pasar inadvertida en un modelo entrenado con datos de otras poblaciones. Cuando se habla de medicina de precisión, la palabra precisión no puede limitarse al tamaño de la secuenciación. También debe describir la población sobre la que se ha construido el conocimiento.

Por qué la diversidad genética afecta al modelo

Los algoritmos aprenden de los datos disponibles. Si una población está infrarrepresentada, el sistema puede generar más falsos positivos, más falsos negativos o predicciones menos estables para sus pacientes. En farmacogenómica, eso puede traducirse en una recomendación de dosis inadecuada o en una alerta que no aparece cuando debería.

El problema se agrava cuando se mezclan tres conceptos distintos:

• Frecuencia de una variante: cuántas personas la presentan en una población.
• Relevancia funcional: si esa variante modifica realmente una proteína, una vía metabólica o la respuesta a un fármaco.
• Utilidad clínica: si conocerla cambia de forma beneficiosa la decisión terapéutica.

Una variante frecuente no es automáticamente importante. Una variante rara no es automáticamente irrelevante. Y una asociación estadística no es automáticamente una recomendación de prescripción. La biología no tiene obligación de ajustarse a la simplicidad del panel comercial.

Cómo se integra la farmacogenómica en el Sistema Nacional de Salud

La integración de la farmacogenómica en el SNS requiere bastante más que solicitar una secuenciación y adjuntar el resultado a la historia clínica. El circuito completo debe responder a una cadena de decisiones:

1. Definir la pregunta clínica. No tiene sentido secuenciar sin saber qué decisión se pretende mejorar. La prueba debe relacionarse con un medicamento, una reacción adversa, una enfermedad o una incertidumbre terapéutica concreta.

2. Obtener y analizar la muestra. La calidad preanalítica, la técnica de secuenciación y el método de interpretación influyen en el resultado final.

3. Clasificar las variantes. No todas las diferencias genéticas tienen relevancia clínica. La interpretación debe distinguir variantes con evidencia suficiente de hallazgos inciertos.

4. Relacionar el resultado con el tratamiento. El dato genómico debe conectarse con dosis, alternativas terapéuticas, contraindicaciones o vigilancia adicional.

5. Incorporar la recomendación al flujo asistencial. Si el resultado queda aislado en un informe que nadie consulta, su utilidad práctica es cercana a cero.

6. Revisar la decisión con el tiempo. La evidencia cambia, aparecen nuevos tratamientos y pueden modificarse las recomendaciones.

Los sistemas de apoyo a la decisión clínica, integrados en las historias clínicas electrónicas, pueden emitir alertas sobre reacciones adversas e interacciones genéticas. En teoría, permiten que el resultado farmacogenómico aparezca cuando el profesional prescribe un medicamento relevante, en lugar de obligarle a buscarlo manualmente en un archivo separado.

En la práctica, una alerta mal diseñada se convierte rápidamente en ruido. Si el sistema genera avisos excesivos, poco específicos o irrelevantes para la situación clínica, el profesional aprende a ignorarlos. Es el conocido fenómeno de la fatiga de alertas, y no desaparece porque la etiqueta del sistema incluya la palabra inteligencia.

Qué debe contener una alerta útil

Una alerta farmacogenómica debería ofrecer información accionable y contextualizada. Como mínimo, tendría que indicar:

• Qué variante o perfil genético activa el aviso.
• Qué medicamento o grupo terapéutico está implicado.
• Qué riesgo o problema se intenta evitar.
• Qué alternativa o ajuste se propone.
• Qué nivel de evidencia respalda la recomendación.
• Si la decisión depende también de función renal, edad, interacciones u otros datos clínicos.
• Cuándo debe revisarse el resultado o si permanece válido de forma indefinida.

Una notificación que solo diga que existe una interacción genética no ayuda demasiado. Traslada el trabajo interpretativo al profesional y añade otra capa de incertidumbre al proceso.

La automatización debe reducir pasos innecesarios, no esconder la complejidad. Una alerta que ofrece una respuesta aparentemente exacta, pero oculta sus limitaciones, es más peligrosa que una alerta prudente que muestra el grado de evidencia.

La peor alerta no es la que llega tarde. Es la que llega con tanta seguridad que nadie se pregunta si tiene razón.

Enfermedades raras: mucha genética, poca evidencia operativa

Aproximadamente el 80 % de las enfermedades raras tienen una causa genética y, en conjunto, afectan a más de tres millones de personas en España. Estas cifras explican por qué la farmacogenómica resulta estratégica en este ámbito. También explican por qué es tan difícil convertirla en una herramienta clínica generalizable.

En las enfermedades raras, el volumen de pacientes disponible para entrenar modelos suele ser limitado. Los datos pueden estar repartidos entre hospitales, registros con criterios diferentes y estudios que no utilizan las mismas variables. El algoritmo se enfrenta a un problema estadístico elemental: cuando hay pocos casos, cada observación pesa demasiado.

Eso favorece el sobreajuste. El modelo puede aprender características particulares de una cohorte pequeña y presentarlas como si fueran reglas biológicas universales. Al evaluarlo en pacientes nuevos, el rendimiento cae. La publicación inicial queda bien; la transferencia clínica, no tanto.

El papel de la bioinformática en terapias personalizadas

El análisis de variantes genéticas con inteligencia artificial puede ayudar a priorizar alteraciones potencialmente relevantes, especialmente cuando los datos de secuenciación son extensos. En enfermedades raras, esta capacidad permite ordenar candidatos, relacionar genes con rutas biológicas y buscar posibles conexiones con tratamientos conocidos.

Sin embargo, priorizar no significa demostrar. Una variante clasificada como potencialmente funcional necesita confirmación adicional. La cadena de evidencia puede incluir estudios funcionales, antecedentes familiares, datos clínicos, frecuencia poblacional y respuesta observada al tratamiento.

En este contexto, el diseño de terapias personalizadas mediante bioinformática tiene un valor claro como herramienta de investigación. Puede reducir el espacio de búsqueda y ayudar a formular hipótesis. Pero todavía hay un salto considerable entre una hipótesis molecular y una terapia segura para un paciente concreto.

Los errores más habituales son previsibles:

• Convertir una variante de significado incierto en una causa confirmada.
• Confundir la presencia de una mutación con la respuesta garantizada a un tratamiento.
• Entrenar modelos con cohortes pequeñas sin validación externa.
• Excluir resultados negativos y conservar solo los casos llamativos.
• Presentar una asociación preliminar como si fuera una recomendación clínica.
• Ignorar la variabilidad entre laboratorios y plataformas de secuenciación.

El sesgo de selección no es una nota metodológica decorativa. Si solo se incluyen pacientes con una presentación clínica muy concreta, el modelo puede funcionar dentro de ese grupo y fallar precisamente en quienes no encajan en el patrón. La medicina personalizada no consiste en fabricar una etiqueta individual más sofisticada. Consiste en tomar mejores decisiones para personas que, por definición, no son idénticas al conjunto de entrenamiento.

Qué puede cambiar en la prescripción personalizada

La farmacogenómica no pretende sustituir la evaluación médica tradicional. Su función más razonable es reducir incertidumbre en situaciones donde la variabilidad individual tiene consecuencias relevantes.

La IA puede contribuir en varios puntos de la cadena terapéutica:

Selección del tratamiento

Al combinar variantes genéticas con información clínica, un sistema puede ayudar a priorizar medicamentos con mayor probabilidad de eficacia o menor riesgo. La recomendación debe presentarse como apoyo y no como veredicto. Un algoritmo no conoce por completo las preferencias del paciente, sus objetivos, su tolerancia al riesgo o las restricciones reales del sistema sanitario.

Ajuste de la dosis

Los modelos pueden estimar una dosis inicial más ajustada que una pauta estándar, como se ha observado en el caso de la warfarina. El beneficio potencial es especialmente relevante cuando el margen terapéutico es estrecho.

Aun así, una dosis inicial no es el tratamiento completo. El seguimiento posterior puede cambiar la decisión y debe seguir teniendo prioridad sobre la predicción original.

Detección de reacciones adversas

Los sistemas de apoyo a la decisión clínica pueden cruzar información genética, medicación y antecedentes para generar avisos. Aquí el reto consiste en encontrar el equilibrio entre sensibilidad y especificidad. Un sistema que no avisa nunca es inútil. Uno que avisa de todo también.

Investigación y desarrollo de fármacos

La inteligencia artificial puede acelerar la identificación de dianas, el análisis de estructuras moleculares y la selección de candidatos. También puede ayudar a relacionar perfiles genéticos con subgrupos de pacientes para diseñar ensayos más específicos.

Pero acelerar la fase de descubrimiento no elimina la necesidad de demostrar eficacia y seguridad en ensayos clínicos. El compuesto más elegante desde el punto de vista computacional puede fracasar por toxicidad, falta de eficacia o problemas de fabricación. La molécula no lee la presentación para inversores.

Cómo valorar una herramienta de IA farmacogenómica

Antes de incorporar un sistema a la práctica asistencial, conviene analizarlo como se analizaría cualquier tecnología médica: con preguntas incómodas y métricas comprensibles.

1. Qué población representa

Hay que conocer el origen de los datos, la diversidad genética, la distribución por edades, las enfermedades incluidas y los tratamientos evaluados. Un rendimiento global puede ocultar resultados muy diferentes entre subgrupos.

2. Qué resultado ofrece

No basta con saber que el modelo tiene una buena precisión media. Hay que distinguir sensibilidad, especificidad, falsos positivos, falsos negativos y valor predictivo en el contexto donde se utilizará.

El poder predictivo depende de la prevalencia del evento. Un modelo puede parecer excelente en un entorno de investigación y ofrecer demasiados falsos positivos cuando se despliega en una población donde la reacción adversa es poco frecuente.

3. Cómo se validó

La validación interna suele ser la primera etapa, no la última. Se necesitan evaluaciones independientes, idealmente en centros distintos y con poblaciones que no hayan participado en el desarrollo inicial.

4. Qué ocurre cuando faltan datos

Las historias clínicas contienen campos incompletos, resultados antiguos y variables codificadas de forma desigual. Un sistema seguro debe indicar cuándo no dispone de información suficiente. Inventar una certeza a partir de un dato ausente es una mala práctica, aunque la interfaz sea impecable.

5. Cómo se actualiza

Las recomendaciones farmacogenómicas evolucionan. También cambian las bases poblacionales, los criterios de clasificación de variantes y los tratamientos disponibles. Un modelo sin plan de actualización envejece con rapidez.

6. Quién responde de la decisión

La responsabilidad clínica no puede disolverse en una caja negra. El profesional necesita saber qué ha contribuido a la recomendación, con qué evidencia y qué margen de incertidumbre conserva.

La IA no elimina la incertidumbre: la hace más visible

La integración entre farmacogenómica, historia clínica electrónica y algoritmos puede mejorar la prescripción. La evidencia sobre dosificación de warfarina muestra que los modelos capaces de combinar datos genéticos y clínicos tienen un potencial real. El catálogo de genómica del SNS ofrece, además, un marco institucional para avanzar en esta dirección.

Pero el progreso no se mide por la cantidad de secuencias obtenidas ni por el número de algoritmos desplegados. Se mide por la capacidad de mejorar resultados clínicos sin introducir nuevas desigualdades, falsas alarmas o decisiones difíciles de auditar.

España necesita datos poblacionales propios, herramientas interoperables y validación en condiciones reales. Las más de 12.000 variantes locales ausentes de bases internacionales recuerdan que importar modelos sin examinar su representatividad no es medicina de precisión. Es externalización de la incertidumbre.

La farmacogenómica y medicina personalizada con inteligencia artificial tiene futuro, pero no necesita promesas grandilocuentes. Necesita mejores cohortes, criterios de evidencia más exigentes y profesionales capaces de interpretar una predicción sin arrodillarse ante ella.

La IA puede ayudar a prescribir mejor. No puede sustituir la obligación de demostrar que realmente lo hace.