La Medicines and Healthcare products Regulatory Agency del Reino Unido abrió el 22 de septiembre de 2026 una consulta de evidencia para su encuesta Beyond ADMET: AI for medicines safety. La agencia pide a organizaciones de toxicología, investigación preclínica, ensayos clínicos, ciencias de la vida, biotecnología e IA que expliquen cómo usan o planean usar IA para evaluar la seguridad de medicamentos.
Es una noticia de cumplimiento, pero no porque cree una regla nueva. La MHRA dice que las respuestas informarán un sandbox regulatorio Beyond ADMET y trabajo regulatorio futuro. La señal útil es que el regulador se está moviendo desde principios generales de IA hacia los registros necesarios para evaluar un modelo de IA en un contexto específico de seguridad.
Qué pregunta la MHRA
ADMET significa absorción, distribución, metabolismo, excreción y toxicidad. Son preguntas centrales en el desarrollo de medicamentos porque ayudan a los equipos a entender cómo se comporta un medicamento en el cuerpo y dónde pueden aparecer problemas de seguridad.
La MHRA dice que la IA puede ayudar integrando datos preclínicos tradicionales con datos clínicos y de vida real entre poblaciones, estados de enfermedad y condiciones clínicas. La agencia no pregunta solo si los modelos rinden bien. Pregunta por desarrollo de modelos, validación, acceso a datos, intercambio de datos y consideraciones regulatorias.
Esa lista importa. En IA regulada, un resultado impresionante no equivale a evidencia aceptable. Un modelo de seguridad de medicamentos puede necesitar mostrar de dónde vienen sus datos, qué grupos de pacientes están representados, cómo se probó el rendimiento, qué límites quedan, quién posee la evidencia y cuándo debe reevaluarse el modelo.
La señal del sandbox
La encuesta está conectada con un futuro sandbox regulatorio. Un sandbox no es guía final. Es una forma controlada para que reguladores e innovadores prueben casos prácticos antes de que las expectativas queden fijas.
Eso puede ser útil para IA de seguridad de medicamentos porque el contexto cambia la carga de evidencia. Un modelo usado para priorizar revisión adicional no es igual a un modelo usado para apoyar una presentación regulatoria o guiar una decisión de seguridad. Cuanto más cerca está la salida de IA de una decisión consecuente, más sólido debe ser el registro de validación y control de cambios.
AIforPharma enmarcó la iniciativa de forma independiente en términos parecidos, señalando que la pregunta central es qué evidencia necesitaría un regulador antes de confiar en una salida de IA. También destacó credibilidad de datos, control del ciclo de vida y contexto de uso como los problemas difíciles detrás de la encuesta.
Qué deben preparar los equipos
La acción inmediata para equipos farmacéuticos, biotecnológicos y de IA no es afirmar que la MHRA aprobó algún modelo. No lo hizo. La acción práctica es organizar evidencia alrededor del uso previsto del modelo.
Los registros útiles incluyen propósito del modelo, decisión que apoya, procedencia de datos, cobertura poblacional, método de validación, límites conocidos, plan de monitoreo, activador de reentrenamiento, responsable, historial de aprobación y una ruta para explicar resultados modificados. La lista de evidencia de cumplimiento de IA de Maetra ofrece una estructura reutilizable para convertir esos registros en evidencia actual y asignada, no en documentos dispersos.
Para sistemas agentic, el problema de evidencia es más intenso. Un flujo de IA que busca datos, llama herramientas o enruta recomendaciones necesita un inventario de los sistemas que toca y un rastro de auditoría de lo ocurrido. La guía de inventario de agentes de IA de Maetra es un punto de partida útil porque un equipo no puede validar un flujo que no ha mapeado.
Qué sigue siendo incierto
La fuente pública es una consulta de evidencia. No establece una nueva obligación de cumplimiento, no aprueba ningún modelo de IA, no define criterios finales de validación y no dice que la evidencia de seguridad de medicamentos generada por IA será aceptada en presentaciones.
Tampoco resuelve el problema de intercambio de datos. La evidencia de seguridad de medicamentos a menudo abarca conjuntos clínicos, preclínicos, farmacovigilancia y datos de vida real. Vincular esas fuentes puede generar problemas de privacidad, procedencia, representatividad e interoperabilidad que un modelo de alto rendimiento no puede borrar.
Análisis de Maetra
La encuesta de la MHRA importa porque hace más concreta la siguiente etapa de la regulación de IA. La pregunta ya no es solo si la IA debe ser transparente, segura o supervisada por humanos. Es qué evidencia prueba que una salida de IA es creíble para un uso de seguridad definido.
Los equipos que quieran usar IA en seguridad de medicamentos deben tratar la encuesta como una señal para construir un archivo de evidencia ahora. Mapeen el uso previsto, conecten cada conjunto de datos con procedencia y cobertura, definan reglas de validación y reevaluación, y conserven un historial revisable de cambios. Si el sandbox futuro se convierte en guía, los equipos con evidencia actual estarán mejor posicionados que los equipos con una model card y una presentación.