A bibliometric analysis of artificial intelligence and machine learning in preclinical mesenchymal stem cell therapy and manufacturing from 2009 to 2025
Este análisis bibliométrico de 144 documentos desde 2009 hasta 2025 revela que las aplicaciones de la inteligencia artificial en la terapia con células madre mesenquimales están creciendo rápidamente, pero siguen siendo abrumadoramente preclínicas, centrándose en la caracterización en lugar del control de calidad de la fabricación o la traslación clínica, destacando así una brecha crítica en los modelos predictivos de potencia necesarios para avanzar el campo hacia la clínica.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Durante dos décadas, los científicos han trabajado para convertir un tipo específico de célula humana en un medicamento. Estas células, conocidas como células madre mesenquimales, se encuentran en tejidos como la médula ósea y la grasa. Poseen una promesa única: pueden calmar el sistema inmunológico y ayudar a reparar órganos dañados, ofreciendo esperanza para el tratamiento de todo, desde lesiones articulares hasta enfermedades inflamatorias. Sin embargo, trasladar estas células de una placa de laboratorio a la cabecera del paciente ha resultado difícil. Las células son sensibles; su comportamiento cambia dependiendo de dónde provienen, cómo fueron cultivadas y cuántas veces fueron divididas. Para que sean seguras y eficaces, cada lote de células debe ser probado rigurosamente para asegurar que sea lo suficientemente potente para funcionar y esté libre de defectos. Esta prueba, conocida como control de calidad, es lenta, costosa y a menudo depende del juicio subjetivo humano, creando un cuello de botella que impide que muchas terapias prometedoras lleguen a la clínica.
En años recientes, los investigadores han recurrido a la inteligencia artificial y al aprendizaje automático para resolver este problema. Estos son sistemas informáticos diseñados para encontrar patrones en los datos, de forma muy similar a un humano, pero con la capacidad de procesar vastas cantidades de información rápidamente. La esperanza es que estas herramientas puedan analizar automáticamente las células, predecir qué tan bien funcionarán y asegurar que cumplan con estrictos estándares de seguridad sin necesidad de pruebas destructivas o laboriosas. Pero aunque la idea es popular, nadie se había detenido a mapear exactamente cómo se está utilizando esta tecnología en este campo específico. Un nuevo estudio realizado por investigadores de la Universidad de Qatar ha hecho precisamente eso, creando un panorama detallado de la literatura científica para ver dónde se está realizando el trabajo, qué métodos se están utilizando y dónde existen las brechas.
Los investigadores recopilaron y analizaron 144 documentos científicos publicados entre 2009 y 2025 que discutían el uso de la inteligencia artificial con células madre mesenquimales. Examinaron todo, desde los tipos de algoritmos informáticos utilizados hasta las tareas específicas que se le pedían a las computadoras. El campo es joven pero crece rápidamente, con el número de publicaciones aumentando aproximadamente un 35 por ciento cada año. El trabajo se concentra en unos pocos países clave, liderados por China y los Estados Unidos, con una cantidad modesta de colaboración entre naciones. A pesar del entusiasmo, el estudio revela que la gran mayoría de esta investigación todavía ocurre en el laboratorio, lejos de la cabecera del hospital.
Cuando los investigadores desglosaron lo que los científicos estaban haciendo realmente, surgió un patrón claro. La mayor parte del trabajo se centró en clasificar células o diagnosticar su condición basándose en imágenes o datos. Esto es una forma de caracterización celular, donde la computadora aprende a reconocer cómo se ve una célula sana frente a una dañada. Si bien esto es útil, no es lo mismo que el paso crítico de las pruebas de liberación. Las pruebas de liberación son el control final que determina si un lote de células es lo suficientemente seguro y potente como para ser administrado a un paciente. El estudio encontró que muy pocos artículos abordaban esta tarea específica y de alto riesgo. En lugar de construir modelos para predecir si un lote pasaría un estándar regulatorio de liberación, los investigadores estaban construyendo principalmente modelos para describir las células que estudiaban.
La brecha entre el laboratorio y la clínica es profunda. Casi la mitad de todos los documentos analizados describían trabajo preclínico, es decir, experimentos realizados en laboratorios o en animales. Solo una fracción minúscula, aproximadamente el dos por ciento, describía trabajo que había alcanzado la etapa de pruebas clínicas en humanos. Incluso dentro de la categoría de fabricación y control de calidad, que representaba alrededor del 13 por ciento de los artículos, el enfoque seguía estando en la caracterización de las células en lugar de su validación para el uso en pacientes. Las fuentes más comunes de células estudiadas fueron la médula ósea y el tejido graso, y las aplicaciones más comunes fueron para problemas óseos y ortopédicos. Sin embargo, el estudio señaló que, en muchos casos, la fuente específica de las células ni siquiera se reportaba claramente en los artículos, lo que dificulta la comparación de resultados o la construcción de modelos fiables.
El análisis sugiere que, si bien la inteligencia artificial está entrando en el mundo de la terapia con células madre, aún no ha abordado la parte más difícil del problema. La tecnología se está aplicando al proceso de fabricación, pero se está concentrando en describir las células en lugar de resolver los obstáculos regulatorios que impiden que se liberen a los pacientes. Los investigadores encontraron que el vocabulario de la inteligencia artificial ya está profundamente entretejido en la conversación sobre la biología de las células madre, pero aún no ha formado una conexión sólida con el vocabario de la fabricación y el control de calidad. En otras palabras, los científicos están utilizando herramientas inteligentes para entender las células, pero aún no han construido las herramientas inteligentes necesarias para certificar esas células para el uso humano.
Esto no significa que la tecnología esté fallando; más bien, indica que el campo se encuentra todavía en sus etapas iniciales. Los investigadores señalan que, para que la inteligencia artificial ayude verdaderamente a cerrar la brecha hacia la clínica, el trabajo futuro debe centrarse en la creación de modelos que sean validados contra los estrictos criterios utilizados para liberar fármacos a los pacientes. Esto requerirá un mejor reporte de dónde provienen las células y cuáles son sus atributos de calidad, de modo que las computadoras puedan aprender de datos consistentes. El estudio concluye que el camino a seguir implica desviar la atención de la descripción general de las células hacia los pasos específicos y regulados de la fabricación y las pruebas de liberación. Hasta que ese cambio ocurra, la promesa de la inteligencia artificial en este campo permanecerá en gran medida en el tablero de dibujo, esperando ser integrada en los sistemas que realmente llevan estas terapias vitales a las personas que las necesitan.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.