El valor oculto en el proceso de I+D
Cómo resolver el problema de 500.000 millones de dólares de la industria farmacéutica con Machine Learning.

El problema de los 500.000 millones de dólares
En 2020, la industria farmacéutica invirtió más de 500.000 millones de dólares en I+D, fusiones y adquisiciones y licencias en busca de los próximos productos que cambien la vida y sean líderes en el mercado. Pero un reciente análisis de Evaluate descubrió que solo el 20% de los medicamentos comercializados generan el 90% de los retornos comerciales. Esto sugiere que la inversión farmacéutica en moléculas novedosas no siempre produce los rendimientos esperados, y plantea interrogantes sobre lo que puede esperarse de esta última ronda de inversiones en I+D y en cartera.
Los medicamentos de éxito, definidos como aquellos que generan más de 1.000 millones de dólares al año en ventas, requieren una combinación adecuada de ciencia transformadora, necesidad insatisfecha, posicionamiento competitivo y precio. Sin embargo, la elaboración de modelos de previsión y valoración precisos basados en estos complejos factores requiere mucho tiempo y es difícil de reproducir a gran escala, sobre todo para los equipos de estrategia, comerciales y de desarrollo de negocio que trabajan con plazos muy ajustados.
Para superar estos retos, la industria farmacéutica a menudo confía en las valoraciones de terceros procedentes de analistas de valores o proveedores de previsiones de consenso. Sin embargo, estas fuentes no siempre ofrecen cobertura para los activos en fase inicial. Un análisis reciente de la disponibilidad de las previsiones de los analistas de renta variable, que se muestra en el siguiente gráfico, reveló que menos de la mitad de los productos blockbuster lanzados en la última década tenían previsiones disponibles en la fase II. En el caso de los productos que no son un éxito de ventas, sólo el 16% estaba cubierto en la fase II.
Cómo la brecha de información en la fase inicial limita la productividad de la I+D
Iniciar la cobertura de los analistas de renta variable en las últimas fases de desarrollo tiene sentido; no tiene sentido crear modelos de previsión detallados para productos que quizá nunca lleguen al mercado, o que probablemente no contribuyan a los ingresos de la empresa dentro del horizonte de previsión. Pero esta tendencia también significa que las farmacéuticas a menudo carecen de datos de valoración independientes y fácilmente disponibles para informar o comprobar sus decisiones sobre la cartera de productos.
Con la mayor parte del gasto en I+D que se requiere en la fase III, además de los precios más elevados de los activos en fase avanzada en las transacciones de licencias o fusiones y adquisiciones, una visión más temprana del valor del producto podría aumentar drásticamente la productividad de las inversiones en I+D. Un análisis separado realizado por Evaluate, descubrió que el crecimiento del gasto en I+D entre 2012 y 2020 superó el crecimiento de los ingresos por ventas, incluso cuando el número de nuevos medicamentos aprobados aumentó constantemente durante este mismo período de tiempo. Esto sugiere que las farmacéuticas pueden estar invirtiendo sus presupuestos de I+D en productos con un potencial comercial limitado.
Lo que se necesita es un nuevo enfoque para prever el potencial comercial de los activos en fase inicial que reduzca la necesidad de realizar complejas previsiones manuales, permita valorar los productos a escala y ofrezca la velocidad y la precisión necesarias para tomar con confianza decisiones sobre licencias o carteras de I+D que dependen del tiempo.
Llenar el vacío con el Machine Learning
Los algoritmos de Machine Learning ya se utilizan en la industria farmacéutica para generar nuevos conocimientos a partir de conjuntos de datos complejos. Al aplicar tecnologías similares a la previsión comercial, los proveedores de datos pueden analizar millones de puntos de datos a nivel de producto para identificar las características del producto que se correlacionan más directamente con el rendimiento comercial, así como prever el potencial de cada producto en función de su combinación única de atributos.
Al eliminar las limitaciones de tiempo y capacidad de los pronósticos humanos, el Machine Learning puede ofrecer pronósticos comerciales a una escala que no estaba disponible anteriormente, proporcionando una visión más completa del potencial comercial a través de todas las fases de desarrollo clínico, incluyendo los medicamentos en fase inicial o de propiedad privada que no están cubiertos por los analistas de valores o los modelos de consenso.
Este avance tecnológico permite a los equipos farmacéuticos identificar fármacos con potencial de éxito de ventas ya en la fase I, de modo que pueden orientar mejor las inversiones en I+D hacia los productos en fase de desarrollo que tienen más probabilidades de generar rendimientos significativos, o tomar decisiones más informadas sobre licencias y adquisiciones. En particular, el Machine Learning permite a los equipos farmacéuticos:
- Reducir la probabilidad de invertir en exceso en productos con un futuro comercial limitado
- Priorizar mejor los medicamentos de la cartera con potencial de cambio en el mercado
- Cuantificar de forma rápida y precisa el valor de los activos externos para tomar rápidamente decisiones de aceptación o rechazo.
- Identificar las posibles lagunas de la cartera para las que se necesita un gasto adicional en I+D, licencias o adquisiciones.
El rendimiento de aprovechar el Machine Learning correctamente podría ser sustancial. Otros análisis de Evaluate sugieren que centrar mejor las inversiones en I+D en los productos con mayor potencial comercial podría añadir hasta 50.000 millones de dólares en valor de mercado sólo en Estados Unidos. Las empresas deseosas de captar su parte del valor potencial creado harían bien en aprovechar estas nuevas herramientas.
Un reciente análisis de Evaluate descubrió que solo el 20% de los medicamentos comercializados generan el 90% de los retornos comerciales. Esto sugiere que la inversión farmacéutica en moléculas novedosas no siempre produce los rendimientos esperados.