IA que predice daño al hígado: la revisión de la FDA

Una IA que predice daño al hígado es el uso menos vistoso y posiblemente más valioso del aprendizaje automático en medicina. El 3 de junio de 2026, la FDA aceptó una carta de intención para evaluar una herramienta de IA diseñada para predecir daño hepático inducido por medicamentos, con los objetivos declarados de mejorar la evaluación temprana de seguridad prediciendo toxicidad hepática antes de que empiecen los ensayos clínicos en humanos, reducir la dependencia de pruebas en animales y apoyar decisiones de desarrollo más rápidas. Fíjate qué no contiene esa frase: un número de precisión, el nombre del desarrollador o una aprobación. Una carta de intención aceptada para evaluación es la apertura de un proceso. Ese matiz es toda la lección.

Puntos clave

• El daño hepático inducido por medicamentos (DILI, por su sigla en inglés) es una de las razones principales por las que candidatos prometedores fracasan tarde en el desarrollo o se retiran después de aprobarse, y eso vuelve la predicción temprana extraordinariamente valiosa.
• La acción de la FDA del 3 de junio de 2026 fue aceptar una carta de intención para evaluar la herramienta. Es un paso de revisión, no una autorización, y no se publicaron métricas de precisión.
• Beneficios declarados: predecir toxicidad hepática antes de los ensayos en humanos, reducir pruebas en animales, apoyar decisiones de desarrollo más rápidas.
• El hígado es especialmente difícil de predecir porque procesa casi todo medicamento que tomas y porque algunos daños son idiosincráticos, aparecen en una fracción minúscula de pacientes por razones ligadas a su biología individual.
• Contexto: la FDA ha autorizado más de 800 dispositivos médicos con IA, cerca del 70 a 75 % de ellos en radiología. La predicción de toxicidad está en una etapa mucho más temprana.

Qué hace el hígado y por qué se lleva el golpe

Tu hígado es una planta de procesamiento químico. Casi todo lo que tragas llega ahí antes de circular por el resto del cuerpo, y él modifica químicamente las moléculas extrañas para que sean más fáciles de excretar. Ese proceso, el metabolismo, es lo que vuelve al hígado el órgano más expuesto a los medicamentos y a sus subproductos.

La complicación es que el metabolismo a veces empeora las cosas. Un medicamento inofensivo al tragarse puede ser convertido por enzimas hepáticas en un metabolito reactivo que daña las células del hígado. El paracetamol es el caso de manual: seguro en dosis normales, hepatotóxico en sobredosis precisamente porque una vía metabólica menor produce un compuesto reactivo que desborda las defensas del hígado.

Y después está el DILI idiosincrático, que es la parte difícil. Algunos pacientes desarrollan daño hepático por un medicamento que cientos de miles de personas toleran sin problema. La causa involucra genética individual, respuesta inmune y otras exposiciones, y puede aparecer semanas o meses después de empezar el tratamiento. Como es raro, un ensayo clínico con 3.000 pacientes puede no detectarlo, y el problema sale a la luz solo cuando millones de personas ya toman el medicamento.

Por eso el DILI causa fracasos en etapas tardías y retiros después de la aprobación, y por eso predecirlo desde la estructura de una molécula valdría tanto.

Cómo funciona una IA que predice daño al hígado

El anuncio de la FDA no describe las tripas de la herramienta, así que lo que sigue es cómo se construyen los modelos de predicción de toxicidad de esta clase, algo bien documentado en el campo.

Entrada: una estructura molecular. La molécula se le da al modelo como estructura, típicamente como un grafo donde los átomos son nodos y los enlaces son aristas, o como una cadena de texto en una notación como SMILES. No se aporta ningún juicio humano sobre el medicamento; solo química.

Datos de entrenamiento: resultados históricos. Los modelos aprenden de conjuntos curados que emparejan estructuras moleculares con toxicidad hepática observada: qué compuestos elevaron enzimas hepáticas, cuáles causaron daño clínico, cuáles salieron limpios. Las bases de datos regulatorias y los resultados publicados de ensayos son la fuente.

Qué calcula el modelo. Una probabilidad, o una categoría de riesgo, para una molécula que nunca vio. Mecánicamente, aprende qué rasgos estructurales (ciertos grupos reactivos, ciertos rangos de lipofilia, determinadas vulnerabilidades metabólicas) correlacionan con daño hepático observado en el conjunto de entrenamiento, y después puntúa moléculas nuevas con esos rasgos.

Dónde está el valor. No en reemplazar un ensayo clínico. En ordenar una fila. Una farmacéutica con 500 moléculas candidatas y presupuesto para probar 20 a fondo necesita una forma de ordenarlas. Si un modelo empuja de forma confiable las hepatotóxicas al final, las 20 que se prueban tienen más probabilidad de sobrevivir, y menos animales y pacientes quedan expuestos a compuestos que iban a fallar de todos modos.

Por qué esto es genuinamente difícil

Tres problemas estructurales hacen la predicción de DILI más difícil que casi cualquier otra tarea de toxicidad.

Primero, los datos de entrenamiento son pocos y sesgados. Los compuestos que claramente se veían tóxicos muchas veces nunca se desarrollaron, así que nunca generaron datos de resultado. El modelo aprende de los sobrevivientes.

Segundo, el DILI idiosincrático depende del paciente, no solo de la molécula. Ninguna cantidad de información estructural sobre un medicamento puede predecir la reacción inmune de una persona específica. Hay un techo para lo que un modelo basado solo en estructura puede lograr, y nadie sabe exactamente dónde está.

Tercero, la definición del resultado es difusa. “Daño hepático” abarca desde enzimas levemente elevadas que se resuelven solas hasta falla hepática aguda. Cómo etiquetas los datos de entrenamiento cambia lo que el modelo aprende.

Qué está establecido y qué no

Establecido: la FDA aceptó una carta de intención el 3 de junio de 2026 para evaluar una herramienta así, y los objetivos declarados son predicción más temprana, menos pruebas en animales y decisiones más rápidas. No establecido: ninguna cifra publicada de precisión, el desarrollador, el conjunto de validación, ni si la herramienta terminará calificada para uso regulatorio. Tratar esto como “la IA ya puede predecir daño hepático” sería adelantarse varios pasos a la evidencia.

Cómo se prueba la seguridad de un medicamento y dónde entra la IA

Prueba	Qué mide	Cuánto tarda, grosso modo	Cuánto cuesta, grosso modo	¿Puede sustituirla la IA?
Predicción computacional (in silico)	Toxicidad predicha desde la estructura molecular	Segundos a horas	Casi cero por molécula	Este es el paso de IA; ordena candidatos
Ensayos con células (in vitro)	Toxicidad en células hepáticas humanas en placa	Días a semanas	Miles de dólares	No; la IA prioriza qué ensayar
Estudios en animales	Toxicidad en organismo completo y respuesta a dosis	Meses	Cientos de miles	En parte; mejor ordenamiento significa menos animales
Ensayo humano fase I	Seguridad y dosis en un grupo chico y sano	Meses	Millones	No
Ensayos fase II/III	Eficacia y seguridad en pacientes	Años	Decenas a cientos de millones	No
Farmacovigilancia posterior	Efectos raros en millones de pacientes	Continua	Continuo	La IA ayuda a detectar señales en registros

La única fila que la IA reemplaza es la primera, y la primera ya era barata. Su valor está en volver más probable el éxito de cada fila caras de abajo, que es una afirmación más sutil y más honesta que “la IA encuentra medicamentos seguros”.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el juego de clasificar

Dale una pila mezclada de objetos y una regla que tenga que inferir: le dices “este es seguro, este no”, seis veces, sin explicar por qué. Después dale un objeto nuevo y pídele que adivine. Cuando adivine, revela la regla (por ejemplo, cualquier cosa con filo). Eso es aprendizaje supervisado, descubierto a partir de ejemplos, y toma cuatro minutos.

De 9 a 12 años: construir una regla de toxicidad con datos

Haz una tabla de 12 “moléculas” imaginarias con tres propiedades cada una (tamaño, grasitud, tiene una parte reactiva) y marca 8 de ellas como seguras o tóxicas. Que tu hijo encuentre una regla que explique las 8 y después prediga las 4 restantes. Después revela las respuestas. Casi seguro va a fallar algunas, y la conversación sobre por qué es el punto: su regla se aprendió con pocos ejemplos, que es exactamente el problema de datos del DILI.

De 13 en adelante: explorar datos químicos reales

PubChem, operado por los NIH, es gratis y contiene estructuras y bioactividad reportada de millones de compuestos. Que tu hijo busque paracetamol, encuentre su estructura y lea sobre su metabolismo y hepatotoxicidad. Después que busque otro medicamento común y compare. Pregúntale: ¿desde la pura estructura, podrías haber adivinado cuál era más riesgoso para el hígado? Después que lea la lista de dispositivos con IA de la FDA y note cuán pocas entradas no son de radiología.

La pregunta que debes hacer: “Si el modelo solo aprendió de medicamentos que sí se probaron, ¿de qué tipo de medicamento nunca aprendería?”

¿Y en América Latina?

Aquí hay un riesgo hepático que no viene de los ensayos clínicos: la automedicación y los productos herbales. En buena parte de la región se consiguen antiinflamatorios, paracetamol combinado y “suplementos naturales” sin receta, y las infusiones y hierbas medicinales tradicionales son de uso muy extendido. Varias de ellas están documentadas como hepatotóxicas, y una familia puede combinar paracetamol de una gripa con un producto herbal sin saber que suma carga al mismo órgano.

Ese es un dato más útil para tu casa que cualquier noticia de IA. Y hay una pieza regional concreta: la base LiverTox de los NIH es gratuita y lista compuestos, incluidos herbales, con su evidencia de daño hepático. En el plano educativo, ciencias fue el único dominio que se mantuvo o mejoró en PISA 2025 en Colombia (414, +3) y México (414, +4), según Infobae, y la farmacología y la toxicología son carreras donde la región tiene demanda real y pocos especialistas.

Qué hacer en casa

Usar el paracetamol para enseñar dosis, no miedo

El paracetamol es seguro en las dosis de la etiqueta y hepatotóxico en sobredosis, y eso es algo genuinamente importante que un niño entienda antes de tener edad para medicarse solo. Lean juntos la etiqueta y encuentren la dosis máxima diaria. Esa es una lección más útil que cualquier historia de IA.

Enseñar la diferencia entre “aceptado para revisión” y “aprobado”

Esta distinción aparece constantemente en las noticias de salud y casi nadie la explica. Una carta de intención aceptada para evaluación, una autorización y una aprobación completa son tres cosas muy distintas. Los niños que aprenden a preguntar cuál de las tres significa un titular van a ser mejores consumidores de salud toda la vida.

Explicar el papel de ordenar con honestidad

La IA aquí reordena una fila de candidatos; no certifica seguridad. Ese encuadre generaliza: casi toda la IA útil en ciencia es priorización, no decisión. Es la misma lección del pipeline de antibióticos del MIT, donde 36 millones de diseños produjeron dos compuestos probados.

Conectarlo con los medicamentos que ya hay en tu casa

Cada receta que tiene tu familia pasó por el pipeline de la tabla de arriba. Recorrer esas filas con el frasco de verdad sobre la mesa vuelve concreto el desarrollo de medicamentos de una manera que ningún diagrama logra. Para el lado clínico, nuestra guía sobre lo que la IA ya hace en atención pediátrica cubre lo que está desplegado hoy.

Lo que no debes hacer

No le digas a tu hijo que la IA puede decir si un medicamento es seguro. Estima una probabilidad desde la estructura molecular, aprendida de un conjunto limitado y sesgado de resultados históricos, y no puede predecir en absoluto la reacción idiosincrática de un paciente individual. Exagerar esto sería particularmente inútil, porque la afirmación real, que mejor ordenamiento significa menos ensayos desperdiciados y menos animales expuestos, es verdadera y vale la pena.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede explicar por qué el hígado en particular es el órgano en riesgo frente a los medicamentos.
• Mes 2, señales de alerta: dice “la IA aprobó un medicamento” o “la IA demostró que es seguro”. Vuelvan a la tabla y encuentren qué fila ocupa la IA de verdad.
• Mes 3, autoevaluación: estén atentos a que la FDA publique un resultado de esta evaluación, o a un artículo con cifras de precisión. Si aparecen cifras, pregúntale con qué conjunto de datos se midieron y si incluía DILI idiosincrático.

Preguntas frecuentes

¿La FDA aprobó una herramienta de IA para toxicidad hepática?

No. El 3 de junio de 2026 la FDA aceptó una carta de intención para evaluar una herramienta así. Eso significa que se abrió un proceso formal de revisión. No es una autorización, ni una aprobación, ni una calificación para uso regulatorio, y no se publicaron datos de precisión.

¿Qué es el daño hepático inducido por medicamentos?

Daño al hígado causado por un medicamento, suplemento o producto herbal. Va desde enzimas hepáticas levemente elevadas que se resuelven solas hasta falla hepática aguda. Algunos casos dependen de la dosis y son predecibles, como la sobredosis de paracetamol. Otros son idiosincráticos y afectan a una fracción pequeña de pacientes por razones que involucran genética y respuesta inmune individuales.

¿Por qué el hígado es más vulnerable que otros órganos?

Porque metaboliza casi todo medicamento que tomas. La sangre del tracto digestivo pasa por el hígado antes de llegar al resto del cuerpo, así que sus células ven las concentraciones más altas, y las modificaciones químicas que realizan a veces crean subproductos reactivos más dañinos que el medicamento original.

¿La IA puede reemplazar las pruebas en animales?

No por sí sola, y no todavía. Mejor predicción computacional puede reducir cuántos compuestos llegan a estudios en animales, y eso es una reducción real y uno de los objetivos declarados de esta evaluación de la FDA. Pero ningún modelo actual puede sustituir la prueba en organismo completo de un medicamento que va a entrar en personas.

¿Cuántos dispositivos médicos con IA ya autorizó la FDA?

Más de 800, según la propia lista de dispositivos médicos con IA de la FDA, con cerca del 70 a 75 % en radiología. Esa concentración dice algo útil: la IA está más avanzada donde la entrada es una imagen y la verdad de campo es verificable. La predicción de toxicidad no tiene ninguna de esas dos ventajas, y por eso va detrás.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Crescendo AI, resumen de noticias de salud. (2026, 3 de junio). La FDA acepta una carta de intención para evaluar una herramienta de IA que predice daño hepático inducido por medicamentos. https://www.crescendo.ai/news/ai-in-healthcare-news
2. U.S. Food and Drug Administration. Lista de dispositivos médicos habilitados con inteligencia artificial. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices
3. U.S. Food and Drug Administration. Recomendaciones para planes predeterminados de control de cambios en dispositivos con IA (agosto de 2025). https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial-intelligence
4. National Institutes of Health, National Library of Medicine. PubChem, base de estructuras y bioactividad química. https://pubchem.ncbi.nlm.nih.gov/
5. National Institutes of Health. LiverTox: información clínica y de investigación sobre daño hepático por medicamentos. https://www.ncbi.nlm.nih.gov/books/NBK547852/
6. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/