La IA en la investigación del cáncer: ¿un verdadero cambio de juego?
Día Mundial contra el Cáncer: La IA como faro de esperanza
El cáncer sigue siendo la segunda causa de muerte en Alemania. A pesar de la investigación, todavía no existen terapias eficaces para algunos tipos de cáncer. Sin embargo, cada cuatro semanas de retraso en el tratamiento aumenta el riesgo de muerte entre un 6 y un 13 por ciento. La IA en la investigación del cáncer puede ayudar.
¿Por qué tiene sentido el uso de la IA en la investigación del cáncer y el desarrollo de fármacos?
El cáncer sigue siendo uno de los retos más importantes de la medicina moderna, el Día Mundial contra el Cáncer, el 4 de febrero, nos lo recuerda cada año. Por ejemplo, los pacientes con cánceres especialmente agresivos y difíciles de tratar, como el de páncreas, el de hígado o el de pulmón, suelen tener tasas de supervivencia bajas, muy por debajo de los cinco años en algunos casos (Santucci, C., et al., 2020). Cánceres poco frecuentes como el mesotelioma y algunos cánceres del sistema nervioso central también son difíciles de tratar (Jain, M., et al., 2024).
El Día Mundial contra el Cáncer se lanzó el 4 de febrero de 2000, durante la Cumbre Mundial contra el Cáncer para el Nuevo Milenio celebrada en París. Ese día se firmó la Carta de París contra el Cáncer para promover la investigación, la prevención y el tratamiento del cáncer en todo el mundo. Desde entonces, el Día Mundial contra el Cáncer se celebra anualmente el 4 de febrero para concienciar sobre esta enfermedad y promover medidas de prevención. La Unión Internacional Contra el Cáncer (UICC) lidera la organización del Día Mundial contra el Cáncer.
Sin embargo, el desarrollo de nuevos fármacos es caro y requiere mucho tiempo. La Inteligencia Artificial (IA) ofrece una oportunidad prometedora para acelerar y optimizar este proceso en la investigación del cáncer (Wenz & Ebener, 2024). Sólo esta breve selección de ejemplos de aplicación muestra claramente el potencial que encierra:
1. Revolucionar el desarrollo de fármacos y la investigación del cáncer mediante la IA y otras tecnologías informáticas avanzadas
Desarrollar terapias eficaces suele ser todo un reto. Un enfoque prometedor que puede ayudar a los investigadores es el uso de la Inteligencia Artificial (IA) en el desarrollo de fármacos. En este caso, la informática avanzada apoya la investigación y el desarrollo de nuevas estrategias terapéuticas. La amplia gama de aplicaciones que ofrece la IA en la investigación del cáncer la convierte en un verdadero cambio de juego (Lotter, W., et al., 2024).
Desde la investigación hasta los estudios preclínicos y clínicos, la IA está abriendo nuevas oportunidades para diversas áreas de aplicación con el fin de hacer más eficiente la investigación del cáncer y el desarrollo de fármacos. Por ejemplo, el uso de la IA en la investigación farmacéutica y oncológica contribuye significativamente a optimizar las terapias, detectar antes el cáncer y acortar los plazos de desarrollo de nuevos fármacos (Serrano, D. R.; et al., 2024).
2. Aumento de la eficiencia mediante la IA en las fases de estudio preclínico y clínico en la investigación del cáncer y el desarrollo de fármacos
La IA también puede proporcionar valiosos servicios para los estudios preclínicos y clínicos de investigación del cáncer y desarrollo de fármacos. Ambas fases de estudio son indispensables para el desarrollo de nuevos fármacos, pero requieren mucho tiempo y dinero, y a menudo se caracterizan por los retrasos. Según un informe industria de la del VFA, el tiempo medio que transcurre desde el desarrollo clínico hasta la aprobación de un fármaco es de 10,5 años, y sólo el 8% de los medicamentos lo consigue. El propio desarrollo clínico consume hasta el 50% de los costes totales de desarrollo de un fármaco. Con la IA, la investigación del cáncer puede hacer frente a estos retos y aumentar así significativamente la eficiencia y el valor informativo de los estudios (Viswa, C. A., et al., 2024). Por ejemplo, son concebibles los siguientes escenarios:
Apoyo mediante el descubrimiento computacional de fármacos en las primeras fases del desarrollo de fármacos
El proceso clásico de desarrollo de fármacos comienza con la identificación de una molécula diana que desempeña un papel clave en una enfermedad y finaliza con la optimización de la pista, garantizando que el fármaco cumple las normativas GLP y los requisitos de la FDA (Food and Drug Administration) (Patheon, 2023). Las tecnologías basadas en la IA permiten predecir con precisión la estructura tridimensional de las proteínas. Esto abre una comprensión más profunda de los mecanismos moleculares de las células cancerosas y revela posibles dianas farmacológicas (Jumper, J., et al., 2021). Al analizar con rapidez una gran cantidad de datos, la IA favorece un enfoque "a prueba de fallos" basado en datos que permite la detección precoz de candidatos moleculares poco prometedores (Paul, D., et al., 2021). Este tipo de IA en la investigación del cáncer también se denomina "in silico", ya que los cálculos y simulaciones están totalmente asistidos por ordenador (AI in Clinical Trials: Optimizing Study Design for Better Results.). Las soluciones de IA soberana garantizan la máxima seguridad de los datos y un procesamiento preciso de la información.
Los modelos y simulaciones computacionales pueden acelerar significativamente la identificación y optimización de principios activos potenciales, reduciendo el tiempo y los recursos necesarios, así como el número de experimentos in vitro necesarios. El modelado molecular asistido por IA se beneficia de la alta calidad y estandarización de los datos. Esto garantiza predicciones más precisas y permite aprovechar plenamente el potencial de tecnologías como el aprendizaje automático o los flujos de trabajo personalizados. Los servicios flexibles de IA también permiten a los equipos de investigación reaccionar con rapidez ante nuevas necesidades.
En la fase de estudios preclínicos de la investigación farmacológica y oncológica, los modelos de IA pueden utilizarse para predecir el éxito de posibles fármacos en una fase temprana y evitar fracasos. En el mejor de los casos, esto permitiría reducir al mínimo los ensayos con animales. El análisis de los perfiles toxicológicos de sustancias conocidas permite optimizar aún más las pruebas (Ghosh, Choudhary y Medhi, 2024).
Investigación bibliográfica y grandes modelos lingüísticos
Un análisis exhaustivo de las publicaciones científicas es esencial en la búsqueda de terapias adecuadas. Sin embargo, el enorme volumen de este tipo de trabajos hace que la investigación manual sea inmanejable y consuma mucho tiempo. Aquí es donde entran en juego los grandes modelos lingüísticos (LLM), que pueden buscar entre millones de textos científicos, extraer automáticamente información relevante y reconocer correlaciones con mayor rapidez y precisión que los humanos. Por ejemplo, los robots asistidos por IA examinan los estudios pertinentes sobre un tipo concreto de cáncer, ofrecen una visión detallada de los últimos resultados de la investigación e identifican posibles dianas terapéuticas.
Además, la IA permite automatizar parcial o incluso totalmente muchos pasos de la investigación farmacológica y oncológica. Ciertas tecnologías, como la automatización robótica de procesos, facilitan el análisis de grandes cantidades de datos, mientras que la gestión de procesos empresariales permite modelizar los procesos existentes y optimizarlos. Al eliminarse así tareas manuales que consumen mucho tiempo, el descubrimiento y desarrollo de fármacos se hace más eficiente, lo que acorta significativamente los plazos de comercialización.
Las fases de los ensayos clínicos tienen como objetivo validar la seguridad, eficacia y dosificación de los nuevos principios activos. También en este caso, la IA puede contribuir significativamente a la investigación del cáncer:
Captación y retención de pacientes
La IA en el desarrollo de fármacos y la investigación del cáncer mejora el reclutamiento de pacientes mediante el análisis de grandes conjuntos de datos y la reducción del tiempo de reclutamiento, que, según el informe de la industria, ocupa alrededor de un tercio de la duración total del estudio, en un 20-40 por ciento (Hutson, 2024). Por otra parte, los abandonos en los ensayos clínicos son problemáticos, ya que pueden afectar al tamaño de la muestra necesaria y, por tanto, a la potencia estadística (Gyawali et al, Biases in study design, implementation, and data analysis that distort the appraisal of clinical benefit and ESMO-Magnitude of Clinical Benefit Scale ESMO-MCBS scoring). Los diseños de estudios optimizados y los cálculos precisos son cruciales para cerrar la brecha de datos de género en medicina y lograr resultados válidos (Lee & Wen, 2020). La IA generativa optimiza el diseño de los estudios, acorta el proceso de planificación hasta en un 50 por ciento y aumenta la precisión mediante protocolos adaptativos. Esto reduce los tiempos de desarrollo y mejora la atención al paciente. Los métodos innovadores, como la administración colaborativa de fármacos, también pueden garantizar la seguridad del paciente al administrar los medicamentos (Gholap, A. D., et al., 2024).
Diseño optimizado de estudios
La inteligencia artificial, en particular la IA Generativa (GenAI), es fundamental para optimizar el diseño y la planificación de los estudios. GenAI analiza automáticamente grandes cantidades de datos, reconoce patrones y proporciona recomendaciones basadas en datos, acortando el proceso de planificación hasta en un 50 por ciento. Otra ventaja es la precisión: GenAI ayuda a centrar los estudios con las preguntas adecuadas, a definir claramente los criterios de valoración y a calcular eficazmente el tamaño de la muestra. Los protocolos adaptativos basados en datos en tiempo real también aumentan la flexibilidad y el valor informativo de los estudios. Esto reduce los tiempos de desarrollo y garantiza una mejor atención al paciente (AI in Clinical Trials: Optimizing Study Design for Better Results.).
El descubrimiento computacional de fármacos se refiere al uso de métodos y tecnologías asistidos por ordenador, como la IA, el aprendizaje automático y el modelado molecular, para acelerar el desarrollo de nuevos principios activos.
Administración colaborativa de fármacos se centra en la administración selectiva de fármacos mediante tecnologías innovadoras y sistemas de terapia personalizada. El objetivo es maximizar el efecto y minimizar los efectos secundarios.
3. Medicina personalizada (medicina de precisión) mediante IA en la investigación del cáncer
La Inteligencia Artificial desempeña un papel decisivo en la medicina de precisión, es decir, en la terapia personalizada. Son concebibles los siguientes escenarios
Detección y diagnóstico precoz del cáncer
El éxito del tratamiento del cáncer depende de la detección precoz de la enfermedad. Los algoritmos de IA pueden prestar aquí valiosos servicios evaluando con rapidez y precisión imágenes médicas como resonancias magnéticas y tomografías computarizadas. Esto permite detectar tumores en una fase temprana, lo que aumenta significativamente las posibilidades de éxito del tratamiento (Bi, W. L., Hosny, A., Schabath, M. B., et al., 2019).
Desarrollo de anticuerpos con apoyo de IA en la investigación del cáncer
La IA contribuye de manera decisiva al desarrollo de anticuerpos, que representan una de las categorías más esenciales de la terapéutica biofarmacéutica en la investigación del cáncer. Mediante el análisis de las afinidades y propiedades de unión de las proteínas diana, los anticuerpos pueden desarrollarse con mayor rapidez y precisión. De este modo, la IA reduce la fase de validación in vitro, que requiere mucho tiempo y dinero, y aumenta la eficacia y precisión de la investigación farmacológica, sobre todo en el tratamiento del cáncer y las enfermedades autoinmunes. Los estudios suponen que la IA puede ahorrar entre un 25 y un 50 por ciento de los costes cuando un fármaco llega a la fase clínica (Sobhani, D'Angelo, Pittacolo, Mondani y Generali, 2024) (Nature, 2023).
Aumento de la probabilidad de éxito mediante la IA en la investigación de fármacos y cáncer
Una ventaja adicional es que el uso de la IA en la investigación de fármacos y cáncer aumenta significativamente la probabilidad de éxito en el desarrollo de nuevas terapias. El descubrimiento computacional de fármacos permite modelos de predicción precisos basados en las características genéticas y moleculares individuales de un tumor. Esto permite identificar más rápidamente las mejores moléculas candidatas y encontrar así el principio activo óptimo para el tratamiento. Los fármacos personalizados pueden utilizarse para desarrollar estrategias de tratamiento dirigidas que prometen una mayor tasa de éxito en menos tiempo (Jayatunga, Xie, Ruder, Schulze, & Meier, 2022).
Medicina personalizada (medicina de precisión) a través de la IA en la investigación del cáncer
La IA también desempeñará un papel decisivo en la medicina de precisión en el futuro mediante el análisis de datos procedentes de diversas fuentes. Entre ellas se incluyen los datos del transcriptoma generados por la secuenciación de próxima generación (NGS), los hallazgos histológicos mediante técnicas de imagen y los historiales de los pacientes basados en la anamnesis tradicional. A partir de esta información, es posible adaptar el tratamiento a grupos específicos de pacientes o incluso a pacientes individuales (Dlamini, Z., et al., 2022).
BioNTech, por ejemplo, trabaja en vacunas personalizadas de ARNm para tratar diversos tipos de cáncer. La empresa utiliza la IA para identificar los mejores neoantígenos para sus vacunas de ARNm. Los neoantígenos son proteínas específicas que aparecen en la superficie de las células cancerosas y estimulan al sistema inmunitario para que luche contra las células cancerosas (BioNTech, 2024).
¿Cómo puede la IA integrarse de forma significativa en la investigación del cáncer y el desarrollo de fármacos?
Por lo tanto, es probable que la IA desempeñe un papel cada vez más importante en la investigación de fármacos y del cáncer. Las soluciones modernas de gestión de datos permiten el suministro seguro de datos. El requisito previo para ello es una estrategia de datos bien concebida, que constituye la base para el uso eficiente de esta información. A su vez, las soluciones de IA escalables permiten ampliar los modelos de forma flexible y adaptarlos a nuevos retos.
Las siguientes herramientas y estrategias, en particular, ofrecen enfoques valiosos y pueden contribuir significativamente al éxito del desarrollo de nuevas terapias:
Informática de alto rendimiento y computación en nube para la investigación farmacológica
Las soluciones informáticas de alto rendimiento escalables permiten a las empresas farmacéuticas realizar simulaciones complejas de forma eficiente. Las opciones flexibles de computación en nube les permiten añadir capacidad informática adicional según sea necesario para gestionar eficazmente los picos de carga, como los que surgen durante los procesos de cribado virtual.
Servicios de IA para la investigación de fármacos y cáncer
El uso de la IA y el aprendizaje automático en la investigación oncológica permite a las empresas farmacéuticas y biotecnológicas dedicadas a la investigación obtener información precisa para el desarrollo de fármacos. La integración de estas tecnologías debe ser un componente central de todo el proceso de desarrollo, desde la preparación de datos hasta la formación de modelos y la aplicación práctica. También debe prestarse especial atención al cumplimiento de las normas específicas del sector y los requisitos individuales. En este sentido, resulta útil la participación de un socio con la experiencia pertinente que garantice el cumplimiento de todas las especificaciones mediante revisiones exhaustivas del código.
Gestión e integración de datos para la investigación farmacológica y oncológica basada en IA
Los sistemas robustos permiten la consolidación rápida y segura de big data procedentes de estudios ómicos y fuentes de datos externas. La IA para la investigación del cáncer requiere un alto grado de flexibilidad en el escalado y estrictos requisitos de seguridad que garanticen la mejor protección de los datos de la investigación en todo momento. Es esencial que los centros de datos utilizados no solo cumplan normas estrictas de seguridad y protección de datos, sino que además puedan demostrarlo mediante certificaciones exhaustivas. Un Centro de Operaciones de Seguridad (SOC) también se encarga de garantizar en todo momento la confidencialidad e integridad de los datos mediante una supervisión continua.
Ciberseguridad y cumplimiento
Las soluciones de ciberseguridad personalizadas que se adaptan específicamente a la industria farmacéutica y protegen los datos sensibles de la investigación de las ciberamenazas. Lo ideal es que el proveedor de servicios no sólo cuente con la experiencia necesaria en TI y el conocimiento de los procesos biológicos, sino que también garantice el cumplimiento mediante controles de acceso, cifrado de datos y auditorías de seguridad periódicas. Esto permite cumplir tanto las normativas específicas del sector como las directrices internas al tiempo que se desarrollan estrategias de seguridad individuales para el procesamiento de datos biológicos.
Proveedor de confianza: Tercero de confianza
Los datos con los que trabajan las empresas farmacéuticas, biotecnológicas e instituciones de investigación son especialmente confidenciales y están protegidos por derechos de propiedad intelectual. Por lo tanto, es imprescindible garantizar un alto nivel de protección. Por lo tanto, confiar en un socio de confianza (tercero de confianza) tiene sentido. Este socio se encarga de la integración segura de datos y algoritmos y proporciona una plataforma que permite el intercambio seguro de datos sin comprometer la confidencialidad. La gestión de datos cifrados, el cifrado homomórfico y la privacidad diferencial garantizan la seguridad de los datos. Al integrar datos de diferentes fuentes en una plataforma segura, el proveedor de confianza apoya el desarrollo de enfoques innovadores en la investigación de fármacos y cáncer (como los robots impulsados por IA), ayudando a acelerar todo el proceso de desarrollo.
Retos y dificultades de la IA en la investigación del cáncer y el desarrollo de fármacos
A pesar de todos los beneficios que la IA aporta a la investigación farmacéutica y oncológica, también plantea ciertos retos y riesgos que requieren especial atención:
Privacidad y seguridad en la investigación farmacéutica y oncológica protegida por IA
El tratamiento de datos sanitarios exige los más altos niveles de protección y seguridad de los datos. Aunque la anonimización de los datos suele considerarse la solución ideal, también garantiza que se pierdan detalles importantes, lo que afecta a la precisión de los análisis de IA y conduce a diagnósticos menos precisos. Especialmente cuando la seudonimización o anonimización no es una opción, como en los estudios epidemiológicos, es importante que los investigadores almacenen sus datos internamente siempre que sea posible o que confíen en un proveedor que ofrezca entornos de datos certificados y seguros.
Gestión de riesgos y el problema de la "caja negra”
Los nuevos retos de la era de la IA exigen un enfoque modernizado de la gestión de riesgos en la industria farmacéutica. Los mecanismos de control tradicionales son demasiado lentos para seguir el ritmo de la dinámica de las tecnologías modernas y los métodos de trabajo flexibles. En su lugar, los riesgos deben gestionarse de forma proactiva y flexible. Un socio experto aporta la experiencia y los conocimientos específicos sobre IA necesarios para identificar las fuentes de error y minimizar así los riesgos. Por lo tanto, una gestión sólida de los riesgos es crucial para la seguridad de los pacientes. Al generar datos en tiempo real, los sistemas basados en IA que se utilizan en la investigación de fármacos y cáncer, por ejemplo, pueden reconocer patrones de riesgo en una fase temprana, lo que agiliza los tiempos de respuesta.
Además, muchos sistemas de IA actúan como una "caja negra" en la que los procesos de toma de decisiones no son transparentes. Esta falta de transparencia en la IA podría ser problemática en la investigación de fármacos y cáncer. Y es que para los investigadores y las autoridades reguladoras es esencial poder entender cómo se toman las decisiones. Esto plantea la pregunta clave: ¿Está el caso de uso sujeto a requisitos de buenas prácticas de fabricación y es posible validarlo? Aquí es donde resulta especialmente valioso contar con un socio de confianza que pueda dar soporte tanto a las últimas tecnologías como a toda la cadena de valor de la industria farmacéutica.
Otro problema es el tan debatido fenómeno de las alucinaciones en los modelos de aprendizaje automático. Sin embargo, esto puede reducirse mediante una cuidadosa selección e integración de datos de alta calidad, un sólido concepto de validación y una revisión y actualización periódicas de los modelos. Además, el uso de modelos explicativos ayuda a comprender mejor los procesos de toma de decisiones y a identificar las fuentes de error. Un socio sólido con experiencia en enfoques de mejores prácticas específicos de la industria también puede proporcionar apoyo.
Las empresas farmacéuticas, biotecnológicas y las instituciones de investigación deben contar con una sólida hoja de ruta de digitalización y una estrategia de IA bien pensada. La adhesión a normas estrictas de gobernanza de datos es tan importante como la creación de un marco sólido de IA que incluya la planificación, la formación y el alojamiento de soluciones preparadas. Esto permite a la empresa garantizar la trazabilidad de las decisiones de IA, por un lado, y prevenir posibles riesgos, por otro.
Conclusión: La IA en la investigación de fármacos y cáncer no es un sueño del futuro
La IA ofrece oportunidades revolucionarias para la investigación farmacológica y oncológica al llevar las posibilidades de diagnóstico, terapia e investigación a un nivel completamente nuevo. Desde el modelado de moléculas hasta la selección y aprobación de pacientes, las soluciones basadas en IA pueden acelerar los procesos, reducir los costes e impulsar el desarrollo de terapias personalizadas. Para explotar este potencial, la alta calidad y cantidad de los datos utilizados para entrenar los algoritmos de IA son tan importantes como una infraestructura informática escalable y de alto rendimiento y unos procesos que incluyan directrices claras y una nueva cultura del riesgo. Por lo tanto, es aconsejable trabajar con un socio que pueda gestionar todo el flujo de trabajo, desde el desarrollo de una estrategia de IA sobre gobernanza de datos>> y marcos sólidos de IA, pasando por la optimización de procesos y la gestión moderna de datos, hasta el suministro de soluciones integrales para la investigación innovadora del cáncer. Si todos estos aspectos confluyen, podremos celebrar hitos significativos en oncología en los futuros Días Mundiales contra el Cáncer.
-
Bibliografía
AI in Clinical Trials: Optimizing Study Design for Better Results. (no date). Retrieved from Maxis Clinical: https://www.maxisclinical.com/insights/blog/ai-in-clinical-trials-optimizing-study-design-for-better-results/
Bi, W. L., Hosny, A., Schabath, M. B., et al. (2019). Artificial intelligence in cancer imaging: Clinical challenges and applications. CA Cancer Journal for Clinicians, 69 (2), pp. 127-157. doi:10.3322/caac.21552.
BioNTech (ed.). (November 14, 2024). Innovation Series R&D Day 2024. Retrieved from https://investors.biontech.de/system/files-encrypted/nasdaq_kms/assets/2024/11/14/9-45-16/Innovation%2BSeries%2BR%26D%2BDay%2B2024.pdf
Dlamini, Z., et al. (2022). AI and precision oncology in clinical cancer genomics: From prevention to targeted cancer therapies-An outcomes-based patient care. Informatics in Medicine Unlocked, 31, p. 100965.
Gholap, A. D., et al. (2024). Advances in artificial intelligence for drug delivery and development: A comprehensive review. Computers in Biology and Medicine, 178, p. 108702 . doi:10.1016/j.compbiomed.2024.108702
Ghosh, A., Choudhary, G., & Medhi, B. (2024). The pivotal role of artificial intelligence in enhancing experimental animal model research: A machine learning perspective. Indian Journal of Pharmacology, 56(1), pp. 1-3. doi:DOI: 10.4103/ijp.ijp_81_24
Hanna, T. P., King, W., Thibodeau, S., Jalink, M., Paulin, G., Harvey-Jones, E., . . Aggarwal, A. (November 4, 2020). Mortality due to cancer treatment delay: Systematic review and meta-analysis. The BMJ, 371. doi:https://doi.org/10.1136/bmj.m4087.
https://www.worldcancerday.org/about/faqs. (no date).
Hutson, M. (2024). How AI is being used to accelerate clinical trials. Nature, 627(8003), pp. S2-S5. doi:10.1038/d41586-024-00753-x.
Jain, M., et al. (September 30, 2024). Malignant pleural mesothelioma: A comprehensive review. Journal of Clinical Medicine, 13(19), p. 5837. doi:10.3390/jcm13195837
Jayatunga, M. K., Xie, W., Ruder, L., Schulze, U., & Meier, C. (2022). AI in small-molecule drug discovery: A coming wave? Nature Reviews Drug Discovery, 21, pp. 175-176.
Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), pp. 583-589. doi:10.1038/s41586-021-03819-2
Lee, E., & Wen, P. (2020). Gender and sex disparity in cancer trials. ESMO Open, 5(Supplement 4), p. e000773 . doi:10.1136/esmoopen-2020-000773
Lotter, W., et al. (2024). Artificial intelligence in oncology: Current landscape, challenges, and future directions. Cancer Discovery, 14 (5), pp. 711-726. doi:DOI: 10.1158/2159-8290.CD-23-1199.
Nature. ( 2023). AI's potential to accelerate drug discovery needs a reality check. Nature, 622(7982), p. 217. doi:10.1038/d41586-023-03172-6
Patheon (ed.). (October 2023). Exploring the five phases of drug development.
Paul, D., et al. (2021). Artificial intelligence in drug discovery and development. Drug Discovery Today, 26(1), pp. 80-93. doi:DOI: 10.1016/j.drudis.2020.10.010
Santucci, C., et al. (2020). Progress in cancer mortality, incidence, and survival: A global overview. Eur J Cancer Prev, 29(5), pp. 367-381. doi:10.1097/CEJ.0000000000000594.
Serrano, D. R.; et al. (2024). Artificial Intelligence (AI) Applications in Drug Discovery and Drug Delivery: Revolutionizing Personalized Medicine. Pharmaceutics, 16(10), p. 1328. doi:10.3390/pharmaceutics16101328.
Shand, J., Stovold, E., Goulding, L. et al. (November 1, 2024). Cancer care treatment attrition in adults: Measurement approaches and inequities in patient dropout rates - a rapid review. BMC Cancer, 1345(24). doi:https://doi.org/10.1186.
Sobhani, N., D'Angelo, A., Pittacolo, M., Mondani, G., & Generali, D. (2024). Future AI will most likely predict antibody-drug conjugate response in oncology: A review and expert opinion. Cancers, 16, p. 3089. doi:DOI: 10.3390/cancers16013
Viswa, C. A., et al. (January 9, 2024). Generative AI in the pharmaceutical industry: Moving from hype to reality. (M. &. Company, ed.)
Wenz, F., & Ebener, S. (2024). Applications of artificial intelligence in oncology: opportunities, feasibility and regulatory challenges. - Journal. Oncology, 30, pp. 339-346. doi:10.1007/s00761-023-01428-4
Mareike Elgner
Expert for the digitalization of the life science industry
Your Contact for more information