El desarrollo de fármacos es un proceso largo, costoso y lleno de incertidumbre en cada etapa. Una de las decisiones más críticas para las compañías farmacéuticas es determinar si un candidato a medicamento debe avanzar de la fase II a la fase III. Para minimizar los riesgos y mejorar la toma de decisiones, las empresas han comenzado a utilizar el concepto de "probabilidad de éxito" (PoS, por sus siglas en inglés), un enfoque basado en datos que ayuda a estimar las posibilidades de que un ensayo clínico logre resultados positivos en su fase final.
Un reciente estudio analiza la aplicación de la PoS en la industria farmacéutica y propone formas de optimizar su uso mediante la integración de datos del mundo real (RWD) y ensayos clínicos previos. La investigación destaca que, si bien el concepto de PoS es ampliamente utilizado, su terminología no siempre es uniforme y aún existen oportunidades para mejorar su precisión y aplicación en la toma de decisiones.
La probabilidad de éxito se define como la estimación de que un ensayo clínico en fase III logrará demostrar la eficacia de un fármaco basándose en datos previos. Su cálculo se basa en múltiples factores, como los resultados de los estudios en fase II, el análisis de biomarcadores, modelos estadísticos y datos de ensayos clínicos históricos.
Este enfoque permite a las farmacéuticas mejorar sus predicciones y tomar decisiones más informadas
En este contexto, el concepto de PoS va más allá de la tradicional "potencia estadística" de un estudio. Mientras que la potencia evalúa la probabilidad de rechazar la hipótesis nula bajo un efecto de tratamiento asumido, la PoS incorpora incertidumbre en torno al verdadero efecto del tratamiento, ofreciendo una visión más realista y cuantificada de los posibles resultados.
Según la investigación, una metodología efectiva para calcular la PoS es el uso de un "diseño previo" basado en datos externos y reales. Este enfoque permite a las farmacéuticas mejorar sus predicciones y tomar decisiones más informadas sobre si continuar con el desarrollo de un fármaco o abandonarlo antes de incurrir en mayores costes.
Uno de los principales desafíos en el cálculo de la PoS es la variabilidad de los datos disponibles. Tradicionalmente, las estimaciones se han basado en estudios de fase II, que a menudo emplean tamaños de muestra reducidos o endpoints sustitutos en lugar de resultados clínicos definitivos. Esto puede generar sesgos y sobreestimaciones en la efectividad de un fármaco.
Para abordar este problema, los investigadores proponen aprovechar fuentes de datos externas, como registros de pacientes, estudios observacionales y datos de vida real. Estos datos pueden proporcionar información más representativa de la población objetivo y mejorar la precisión de las predicciones.
Estos datos pueden utilizarse para establecer correlaciones entre biomarcadores tempranos y resultados clínicos finale
Por ejemplo, el estudio sugiere que el uso de registros clínicos bien diseñados puede mejorar la selección de la población objetivo, identificar subgrupos con mayor probabilidad de respuesta al tratamiento y reducir el riesgo de fallos en la fase III. Además, estos datos pueden utilizarse para establecer correlaciones entre biomarcadores tempranos y resultados clínicos finales, lo que permitiría validar los endpoints utilizados en la fase II.
A pesar de sus ventajas, la implementación de la PoS en la toma de decisiones farmacéuticas presenta desafíos importantes. Uno de los principales obstáculos es la falta de estandarización en la terminología y los métodos de cálculo. Diferentes compañías pueden utilizar enfoques distintos, lo que dificulta la comparación de resultados entre estudios.
Otro reto es la calidad de los datos utilizados para alimentar los modelos de PoS. Si los datos de referencia no son representativos o están sesgados, las estimaciones pueden ser imprecisas. Además, la incorporación de datos del mundo real requiere medidas estrictas de control de calidad y estrategias para manejar la heterogeneidad en los registros de pacientes.
La integración de datos del mundo real exige control de calidad riguroso y estrategias para gestionar su variabilidad y heterogeneidad
El estudio también señala que la resistencia al cambio dentro de la industria puede ser una barrera para la adopción generalizada de la PoS. Muchas empresas aún dependen de métodos tradicionales de toma de decisiones y pueden mostrarse reticentes a confiar en enfoques basados en modelos predictivos.
A medida que la industria avanza hacia una mayor digitalización y uso de inteligencia artificial, es probable que la PoS juegue un papel cada vez más relevante en el desarrollo de medicamentos. Los autores del estudio sugieren que, en los próximos años, las empresas farmacéuticas integrarán cada vez más datos en tiempo real en sus análisis de probabilidad de éxito, lo que permitirá realizar predicciones más precisas y mejorar la eficiencia en la toma de decisiones.
Asimismo, la combinación de PoS con otras herramientas analíticas, como modelos de aprendizaje automático y simulaciones clínicas, podría permitir a las farmacéuticas optimizar aún más sus estrategias de desarrollo. Esto no solo reduciría el riesgo de fallos en la fase III, sino que también aceleraría la llegada de nuevos tratamientos al mercado.