La inteligencia artificial ya se utiliza en numerosos ámbitos de la medicina, desde las imágenes médicas hasta el descubrimiento de fármacos. Una de sus aplicaciones menos visibles puede resultar igual de importante: emplear IA antes de que comience un ensayo clínico.
Los ensayos clínicos son caros, largos e inciertos. Los investigadores deben decidir qué pacientes incluir, qué resultados medir, cómo estructurar los grupos de tratamiento, cuánto debe durar el estudio y qué enfoque estadístico utilizar. Esas decisiones pueden determinar si el ensayo produce una respuesta útil.
QuantHealth desarrolla herramientas de simulación basadas en IA para que las compañías farmacéuticas y biotecnológicas puedan probar algunas de esas decisiones virtualmente antes de iniciar un ensayo real.
La idea es atractiva, pero exige cautela. Un paciente simulado no es un paciente real y un resultado previsto no demuestra que un medicamento funcione.
¿Qué significa simular un ensayo clínico?
La simulación utiliza modelos matemáticos y computacionales para estimar qué podría ocurrir con diferentes diseños de estudio.
Imaginemos que una compañía prepara un ensayo para un nuevo tratamiento. Antes de reclutar pacientes puede querer saber si modificar los criterios de elegibilidad cambiará la población, si otro objetivo clínico ofrecerá más información o si un calendario de tratamiento distinto alterará la probabilidad de detectar un efecto.
Tradicionalmente, estas decisiones se apoyan en estudios previos, razonamiento biológico, modelos estadísticos y criterio experto. La IA añade otra capa al analizar grandes cantidades de datos clínicos y biológicos y generar predicciones para muchos escenarios.
QuantHealth afirma que su sistema permite modificar variables del protocolo y observar efectos modelados sobre resultados, viabilidad, costes y otros factores. Los lectores pueden consultar el flujo de simulación de desarrollo clínico de QuantHealth para entender cómo describe la empresa este proceso.
La palabra importante es "modelados". Son predicciones, no resultados clínicos.
Por qué interesa a las farmacéuticas
Un ensayo mal diseñado puede consumir años y grandes cantidades de capital.
Existe, por tanto, un fuerte incentivo para detectar problemas antes de incorporar al primer paciente. Si una simulación indica que una población probablemente no producirá una respuesta útil, o que un objetivo no encaja con el efecto esperado del tratamiento, el equipo puede tener la oportunidad de modificar el diseño antes.
El valor potencial es más amplio que predecir éxito o fracaso. La simulación puede actuar como herramienta de apoyo a decisiones, ayudando a comparar estructuras de ensayo, supuestos de reclutamiento, subgrupos de pacientes y diferentes protocolos.
El interés por este campo crece junto con la inversión farmacéutica en IA. En agosto de 2026, QuantHealth anunció una ronda Series B de 45 millones de dólares liderada por Qumra Capital, con participación de inversores como Pitango HealthTech y Sanofi Ventures. Medios israelíes independientes confirmaron la financiación.
La ronda convierte a QuantHealth en un ejemplo israelí actual de una tendencia más amplia: la IA se está desplazando desde el descubrimiento temprano de fármacos hacia decisiones tomadas durante el propio desarrollo clínico.
El problema de la evidencia no puede ignorarse
La utilidad de cualquier simulación depende del modelo que la sustenta.
Si los datos son incompletos, poco representativos o sesgados, incluso un modelo sofisticado puede ofrecer una conclusión engañosa. Esto es especialmente importante en medicina, donde edad, sexo, genética, etapa de la enfermedad, tratamientos previos y otras variables pueden modificar los resultados.
Un modelo que funciona bien en una situación no necesariamente rendirá igual en otra.
QuantHealth publica ejemplos de validación y ha informado que su plataforma se ha utilizado para simular cientos de ensayos. Esas cifras de rendimiento deben seguir presentándose como afirmaciones de la empresa salvo que sean reproducidas o validadas independientemente en investigaciones externas accesibles.
Esa distinción es fundamental al hablar de IA médica.
Los reguladores también preguntan si el modelo es fiable para un uso concreto
La Administración de Alimentos y Medicamentos de Estados Unidos, FDA, ha desarrollado un marco para evaluar modelos de IA utilizados en el desarrollo de medicamentos y productos biológicos. Uno de sus conceptos centrales es el "contexto de uso".
En términos sencillos, no basta con preguntar si un modelo es preciso en general. Hay que saber qué decisión pretende apoyar, con qué datos fue construido, cómo se evaluó y qué consecuencias tendría una respuesta incorrecta.
Esta idea ayuda a entender la simulación de ensayos. Un modelo empleado para explorar diseños alternativos no cumple necesariamente el mismo papel que uno cuyo resultado contribuye directamente a una decisión regulatoria.
Cuanto más importante sea el uso, más sólidas deben ser las pruebas que respaldan el modelo.
Una simulación no sustituye a un ensayo clínico
Esta es la limitación más importante y una de las más fáciles de malinterpretar.
La IA puede simular posibles resultados. No puede demostrar que un medicamento experimental es seguro y eficaz en pacientes reales simplemente porque un modelo lo prediga.
La biología humana es compleja y la posibilidad de efectos inesperados es precisamente una de las razones por las que existen los ensayos clínicos.
El papel más realista de la IA a corto plazo es mejorar las decisiones alrededor del ensayo, no eliminarlo. Si un modelo ayuda a detectar un diseño débil antes, puede ahorrar tiempo y recursos. Si ayuda a estudiar poblaciones o variables de forma más sistemática, puede mejorar las decisiones antes del reclutamiento.
Nada de eso elimina la necesidad de validación, revisión independiente y supervisión regulatoria adecuada.
Una historia israelí de healthtech con una pregunta mucho mayor
QuantHealth resulta útil como caso de estudio porque se sitúa en la intersección de IA israelí, investigación farmacéutica, datos clínicos y medicina computacional.
La cuestión más amplia no es si una plataforma puede predecir todos los ensayos. Es si el desarrollo de medicamentos puede volverse más predecible antes de exponer pacientes y capital a decisiones difíciles de revertir.
Los sistemas de IA pueden procesar más variables de las que un equipo humano podría revisar una por una. Eso ofrece un potencial real. Pero la medicina ha demostrado repetidamente que una predicción impresionante debe resistir la prueba de la realidad.
La simulación debe entenderse, por tanto, como una herramienta adicional dentro de la ciencia clínica, no como un atajo para evitarla. Si la tecnología madura con validación creíble y límites claramente definidos, puede cambiar la forma en que los diseñadores de ensayos abordan algunas de sus decisiones más costosas.
La regla debería seguir siendo simple: cuanto más importante sea la decisión, más sólida debe ser la evidencia necesaria para confiar en el modelo que ayuda a tomarla.
