Taxas de falha clínica ao longo das décadas: eita
O desenvolvimento clínico de medicamentos continua vendo cerca de 90% dos candidatos falharem em ensaios com humanos, o que gera debate sobre se essa taxa reflete lacunas profundas em nossa compreensão da biologia ou simplesmente a dificuldade intrínseca do problema. Comentadores contrastam P&D farmacêutico com áreas de engenharia mais maduras, argumentando que a biologia humana é muito mais difícil de modelar, que sistemas pré-clínicos muitas vezes não preveem resultados humanos e que os padrões regulatórios e de segurança se tornaram mais rígidos ao longo do tempo. Outros sustentam que altas taxas de falha podem ser economicamente ou cientificamente “ótimas” para um domínio de alto risco e alta recompensa, ao mesmo tempo em que apontam incentivos desalinhados, o impacto limitado da IA e os custos éticos e financeiros dos ensaios fracassados como razões para buscar abordagens melhores.
Taxa de falha clínica e seu significado
- Muitos veem ~90% de falha clínica como algo pouco surpreendente, dada a complexidade biológica e as restrições de segurança.
- Alguns argumentam que a estabilidade ao longo das décadas sugere um equilíbrio: à medida que as ferramentas melhoram, os projetos ficam mais ambiciosos, mantendo a taxa de sucesso estável.
- Outros veem a taxa como “insanamente” alta, implicando que nossos modelos e métodos ainda são fracos, e não que o sistema seja ótimo.
Comparações com outros campos
- Vários კომენტadores chamam comparações com carros/aeronaves de “bizarras” ou enganosas:
- Protótipos de engenharia falham silenciosamente em taxas altas antes de os produtos serem lançados.
- Fármacos finalizados correspondem mais a produtos finais do que a protótipos.
- Outros propõem analogias melhores: tubos a vácuo iniciais antes da compreensão dos elétrons, ou a era de tentativa e erro do deep learning.
Por que o desenvolvimento de medicamentos é tão difícil
- A biologia é confusa, pouco restringida e difícil de simular; modelos em animais e células frequentemente falham em prever resultados humanos.
- Você não pode “corrigir” uma molécula depois de uma falha na fase 3; muitas vezes, falhar significa recomeçar do zero.
- Há uma triagem pré-clínica extensa, mas muitos candidatos “bons” ainda falham em humanos por eficácia, desfechos ou segurança.
Economia, incentivos e “otimalidade”
- Alguns argumentam que ~10% de sucesso é economicamente racional: se o sucesso fica mais fácil, projetos mais marginais e arriscados passam a ser financiados até a taxa cair novamente.
- Outros discordam, observando que os custos por tentativa são enormes e que as empresas têm fortes motivos para eliminar perdedores cedo, mas incentivos internos (recompensas de carreira por avançar programas, não por encerrá-los) podem distorcer decisões.
- Debate sobre se a alta falha é uma exploração desejável ou um desperdício de recursos escassos.
Regulação e tendências de segurança
- As barreiras regulatórias ficaram mais rígidas (por exemplo, triagem para riscos cardíacos como a inibição de hERG), eliminando candidatos que historicamente poderiam ter chegado ao mercado.
- Isso melhora a segurança, mas aumenta custos e reduz o sucesso aparente.
IA/ML e modelagem
- Ceticismo de longa data de que “IA vai resolver” a taxa de falha; ML tem sido usado na indústria farmacêutica há décadas, com impacto apenas incremental.
- O entusiasmo de que a IA descobrirá medicamentos seguros em poucos anos é visto como reducionismo de tech-bro.
Alternativas, precisão e tópicos secundários
- Alguns mencionam medicamentos que “falham” no geral, mas funcionam para subgrupos identificáveis; sem uma pré-seleção confiável, isso ainda não é um modelo alternativo de fato.
- As discussões tocam em medicina personalizada, medicamentos cópia ou incrementais (melhores efeitos colaterais, dosagem, vias de administração) e questões éticas sobre o uso de animais e os impactos genéticos de longo prazo dos medicamentos.