In silico clinical trials in drug development: a systematic review

Esta revisão sistemática analisa o papel dos ensaios clínicos *in silico* no desenvolvimento de fármacos, destacando que, embora a maioria dos modelos seja impulsionada por dados e focada em áreas como oncologia, a reprodutibilidade é limitada pela escassez de códigos de código aberto e dados sintéticos públicos, além de sua aplicação ainda ser incomum em ensaios clínicos registrados e restrita a doenças específicas.

O essencial

Imagine que você é um cozinheiro tentando criar uma nova receita de bolo. Tradicionalmente, para saber se o bolo vai ficar bom, você precisa assá-lo, provar e, se não estiver bom, jogar fora e tentar de novo. Isso gasta ingredientes (dinheiro), tempo e, se o bolo for para crianças com alergias específicas, pode até ser perigoso testar em humanos reais logo de início.

Agora, imagine que você tem um super computador que pode simular o cozimento do bolo milhares de vezes em segundos, usando uma receita digital. Você pode testar 100 variações de açúcar e farinha virtualmente, ver qual fica mais saborosa e só depois assar a versão perfeita na vida real.

Esse é o conceito central do artigo que você pediu para explicar: Ensaios Clínicos In Silico (ou seja, "dentro do computador").

Aqui está a explicação do estudo, traduzida para uma linguagem simples e cheia de analogias:

1. O Que é esse "Ensaio Clínico no Computador"?

Os pesquisadores fizeram uma grande revisão (uma "pesquisa de mercado" da ciência) para ver como os cientistas estão usando computadores para testar medicamentos antes ou durante os testes em pessoas reais.

• A Analogia: Pense nos testes tradicionais como construir uma ponte e testá-la com caminhões pesados até ela quebrar. O teste in silico é como usar um software de engenharia avançado para simular o tráfego e o vento na ponte virtualmente. Se a ponte virtual aguenta, você sabe que a real tem grandes chances de funcionar, economizando tempo e evitando acidentes.

2. O Que Eles Encontraram? (Os Números)

Os autores vasculharam duas grandes bibliotecas de conhecimento: artigos científicos publicados e registros de testes clínicos.

• Eles acharam 202 artigos e 48 testes registrados.
• Onde estão sendo usados? A maioria está focada em câncer e em imagens médicas (como ressonâncias).
• Onde falta? Eles notaram que doenças raras e infantis aparecem muito pouco, embora fosse exatamente aí que esses testes digitais mais ajudariam.

Por que isso importa? Imagine tentar encontrar 100 crianças com uma doença super rara para um teste real. É quase impossível. Mas no computador, você pode criar 100 "crianças virtuais" instantaneamente. O estudo diz que, embora essa seja a melhor ideia, ainda não está sendo usada o suficiente nessas áreas.

3. Como Funciona a "Massa" do Bolo? (Os Dados)

Para o computador simular algo real, ele precisa de dados reais para aprender.

• A Analogia: O computador é como um aluno muito inteligente, mas ele precisa de um professor. O "professor" são os dados de pacientes reais ou de testes em laboratório (animais/células).
• A Descoberta: A maioria dos modelos digitais ainda depende muito de dados reais para ser calibrada. O computador não está inventando tudo do zero; ele está aprendendo com o que já sabemos.
• O Problema da Transparência: O estudo descobriu que, de cada 4 artigos, apenas 1 compartilha o "código secreto" (o programa) ou os dados gerados.
  • Analogia: É como se um chef publicasse uma receita dizendo "ficou delicioso", mas não escrevesse os ingredientes nem o tempo de forno. Ninguém consegue copiar ou verificar se o bolo realmente ficou bom. Isso é um problema para a confiança na ciência.

4. O Futuro e os Obstáculos

O estudo é otimista, mas realista.

• O Potencial: Com o avanço da Inteligência Artificial, esses "laboratórios virtuais" podem salvar vidas, especialmente em doenças raras e em crianças, onde testes reais são difíceis ou antiéticos.
• O Obstáculo: Ainda há um "vale" entre a teoria (o que os cientistas escrevem nos artigos) e a prática (o que está acontecendo nos hospitais). Poucos testes clínicos reais estão usando esses métodos digitais de forma integrada.

Resumo em uma frase:

Os cientistas estão criando "gêmeos digitais" de pacientes para testar remédios no computador, o que é uma revolução para economizar tempo e dinheiro, especialmente em doenças raras, mas ainda precisamos ser mais abertos em compartilhar nossos "códigos" e dados para que essa tecnologia seja confiável e usada por todos.

Em suma: O computador está se tornando um parceiro essencial na medicina, mas ainda precisamos ensinar a todos a confiar nele e compartilhar as ferramentas que criamos.

Resumo técnico

Resumo Técnico: Ensaios Clínicos In Silico no Desenvolvimento de Medicamentos

1. Problema e Contexto

O desenvolvimento de novos medicamentos é um processo caro e demorado. Embora modelos computacionais tenham evoluído de fontes alternativas de dados para ferramentas essenciais na otimização de recursos, a integração de Ensaios Clínicos In Silico (ISCTs) na prática médica e regulatória ainda enfrenta desafios.

• Desafios Específicos: A aplicação de ISCTs é particularmente promissora para doenças raras e pediátricas, onde o recrutamento de pacientes para ensaios clínicos tradicionais é difícil, eticamente complexo ou limitado por amostras pequenas.
• ** lacuna de Conhecimento:** Existe uma necessidade de compreender o estado atual da arte: como os ISCTs são definidos, em quais doenças são aplicados, quais modelos são utilizados, a qualidade dos dados que os informam e, crucialmente, a reprodutibilidade e transparência das publicações existentes.

2. Metodologia

Os autores realizaram uma revisão sistemática abrangendo duas fontes de dados principais até 31 de dezembro de 2023:

• Bases de Dados: PubMed (artigos publicados) e ClinicalTrials.gov (ensaios clínicos registrados).
• Critérios de Inclusão:
  • Definição de ISCT baseada em Musuamba et al. (2021): Uso de modelagem e simulação computacional para gerar evidência digital que complementa ou substitui ensaios in vivo.
  • Exclusões: Artigos onde computadores foram usados apenas para processamento de imagens, avaliação de desfechos ou suporte à decisão (sem geração de dados sintéticos de pacientes), e estudos de "ensaios virtuais" onde pacientes participam remotamente.
• Processo de Triagem:
  • Identificaram-se 202 artigos e 48 ensaios.
  • Destes, 76 artigos e 19 ensaios foram diretamente ligados ao desenvolvimento de medicamentos (foco principal da análise metodológica).
  • Classificação dos artigos em: "Aplicação", "Métodos" e "Revisão".
  • Classificação dos ensaios em: "Aplicação", "Preparação para futuros ISCTs" e "Validação de resultados de ISCTs".
• Análise de Dados: Extração de informações sobre doenças (usando ICD-11), contexto de doenças raras/pediátricas, tipos de modelos (PK/PD, PBPK, QSP, IA), fontes de dados (mecanísticas, pré-clínicas, clínicas) e reprodutibilidade (código aberto vs. comercial, disponibilidade de dados).

3. Principais Contribuições

• Mapeamento do Ecossistema ISCT: Fornecimento de uma visão panorâmica da aplicação de ISCTs na medicina, com foco específico no desenvolvimento de fármacos (MIDD - Model-Informed Drug Development).
• Análise de Reprodutibilidade: Avaliação crítica da disponibilidade de código-fonte e dados sintéticos gerados, identificando barreiras para a validação externa.
• Foco em Doenças Raras e Pediátricas: Destaque do potencial dos ISCTs para superar barreiras éticas e logísticas nessas populações, embora a literatura atual seja escassa nesses nichos.
• Integração de IA: Identificação da crescente integração de técnicas de Inteligência Artificial (aprendizado de máquina) com modelos farmacológicos tradicionais.

4. Resultados Chave

A. Tendências e Distribuição Geográfica

• Crescimento: Houve um aumento absoluto e relativo no número de artigos e ensaios relacionados a ISCTs, com um pico em 2023 após uma leve queda durante a pandemia (2020-2022).
• Geografia: A maioria das publicações origina-se da Europa e dos EUA. Os ensaios clínicos registrados estão ainda mais concentrados nessas regiões, indicando uma lacuna entre pesquisa global e implementação prática.

B. Classificação por Doença

• Predominância: O câncer (neoplasias) e pesquisas relacionadas a imagens são os focos dominantes em ambos os artigos e ensaios.
• Doenças Raras e Pediátricas: Apenas 14 artigos e 5 ensaios abordaram especificamente doenças raras ou pediátricas, apesar do potencial teórico alto.
• Discrepância: Existe uma grande lacuna entre a pesquisa acadêmica (que explora um espectro amplo de doenças) e os ensaios clínicos registrados (que cobrem menos categorias de doenças).

C. Metodologia e Modelos no Desenvolvimento de Medicamentos

• Tipos de Modelos: Os modelos mais citados foram PBPK (23,7%), QSP (23,7%) e PK/PD (15,8%). Cerca de 10,5% dos artigos integraram métodos de IA.
• Fontes de Dados:
  • A maioria dos modelos é orientada a dados (data-driven), utilizando dados clínicos e pré-clínicos para calibração e validação.
  • Dados clínicos foram a fonte mais comum (42 artigos para calibração, 46 para validação).
  • Dados de simulação foram usados raramente e apenas para validação, nunca para calibração, devido ao viés inerente.
• Reprodutibilidade (Ponto Crítico):
  • Apenas 24% (18 de 76) dos artigos forneceram uma implementação de código aberto.
  • Apenas 20% dos artigos tornaram os dados sintéticos gerados publicamente disponíveis.
  • A maioria das implementações utiliza plataformas comerciais (ex: Simcyp™) ou não disponibiliza o código, limitando a reprodutibilidade total.

D. Sobreposição entre Artigos e Ensaios

• Não houve sobreposição direta entre os artigos do PubMed e os ensaios do ClinicalTrials.gov encontrados na busca. Isso sugere uma desconexão entre a literatura metodológica e a prática clínica registrada.

5. Significância e Conclusões

• Potencial Não Explorado: Embora haja grande interesse, os ISCTs ainda são incomuns como parte de ensaios clínicos registrados e sua aplicação é restrita a doenças específicas (principalmente câncer), deixando benefícios potenciais em doenças raras e pediátricas subutilizados.
• Papel dos Dados Clínicos: A revisão confirma que dados clínicos reais são cruciais para informar e validar modelos in silico; modelos puramente mecanísticos sem dados reais são menos comuns.
• Barreiras à Adoção: A falta de transparência (código e dados não abertos) e a dependência de software comercial impedem a validação independente e a aceitação regulatória mais ampla.
• Futuro: Para que os ISCTs sejam amplamente aceitos como evidência complementar ou substituta de ensaios in vivo, é necessário:
  1. Maior disponibilidade de modelos validados e de código aberto.
  2. Publicação dos dados sintéticos gerados.
  3. Expansão da aplicação para áreas com escassez de dados reais (doenças raras/pediátricas).

Em suma, o campo dos ISCTs está em crescimento e mostra forte potencial, especialmente para otimizar o desenvolvimento de medicamentos, mas ainda precisa superar desafios significativos de reprodutibilidade e transparência para se tornar uma ferramenta padrão na medicina regulatória.