Mantis Biotech crea gemelos digitales de personas para paliar la escasez de datos médicos

Mantis Biotech ha propuesto su respuesta a uno de los problemas más caros de la industria farmacéutica y la biomedicina: la escasez de datos accesibles y de calidad. La compañía recopila fuentes de información dispersas y las convierte en conjuntos de datos sintéticos con los que se pueden construir gemelos digitales de personas.

Qué hace Mantis

El enfoque de Mantis Biotech consiste en reunir en un único entorno digital distintos tipos de información sobre una persona: anatomía, fisiología y comportamiento. Con esas piezas, la empresa genera conjuntos de datos sintéticos que después pueden usarse para crear gemelos digitales del cuerpo humano.

Un gemelo así no equivale a un paciente real ni es su copia exacta en sentido literal. Se trata más bien de un modelo computacional que ayuda a describir cómo está organizado el cuerpo y cómo podría reaccionar ante distintas intervenciones.

La meta es convertir datos médicos poco compatibles entre sí en una base más cohesionada para la investigación. En medicina, la información necesaria suele estar en bases de datos distintas, se recoge con protocolos diferentes y cuesta trasladarla de un contexto de investigación a otro. Si Mantis logra estandarizar esta capa y volverla apta para el modelado, los desarrolladores de fármacos tendrían una nueva herramienta de trabajo antes de las costosas fases de verificación clínica.

Para qué sirven los gemelos

Para la industria farmacéutica, la escasez de datos no es un problema abstracto, sino un límite directo a la velocidad. Los investigadores pueden tener una hipótesis sólida sobre el mecanismo de una enfermedad o la acción de una molécula, pero toparse con la falta de conjuntos de datos comparables. Bajo esta lógica, los gemelos digitales no sirven como escaparate vistoso de IA, sino para comprobar escenarios con más rapidez, comparar modelos de respuesta del organismo y detectar puntos débiles en los conjuntos de observaciones existentes.

• combinar datos anatómicos, fisiológicos y conductuales en un solo modelo
• complementar las muestras médicas reales con datos sintéticos
• probar hipótesis antes de las etapas de desarrollo más caras
• identificar con más rapidez lagunas de datos sobre enfermedades concretas
• reducir la dependencia de conjuntos de datos escasos o que crecen despacio

Si el enfoque funciona con suficiente precisión, las empresas podrán usar los conjuntos de datos sintéticos como capa intermedia entre las observaciones en bruto y las conclusiones aplicadas. Esto es especialmente relevante donde los datos reales son difíciles de recopilar por su coste, por la privacidad o por el número limitado de pacientes adecuados. En ese escenario, el gemelo digital no sustituye la realidad clínica, sino que es una forma de extraer de ella más señal antes de la siguiente ronda de estudios costosos.

La cuestión principal

Este tipo de sistemas tiene una limitación evidente: la calidad del resultado depende siempre de la calidad del material de partida. Un conjunto de datos sintético es útil exactamente en la medida en que refleja con precisión los procesos biológicos reales. Si las fuentes originales contienen sesgos, lagunas o poca representatividad, el modelo puede reproducir los mismos errores con un envoltorio más convincente y tecnológico. Por eso, hablar de datos sintéticos en medicina choca enseguida con la validación, el control de calidad y la confianza en las conclusiones.

Por eso, para Mantis la prueba principal no será la generación de datos en sí, sino la confianza en ellos. Las farmacéuticas y los equipos de investigación examinarán la reproducibilidad, la transparencia y la utilidad práctica de estos modelos. A fin de cuentas, el mercado valorará no el ruido del término gemelo digital, sino si de verdad ayuda a reducir el tiempo y el coste de la investigación sin perder fiabilidad científica y sin riesgos añadidos en las siguientes etapas de desarrollo.

Qué significa

Mantis Biotech apuesta por una de las líneas más pragmáticas de la IA en medicina: la infraestructura de datos, en lugar de otra interfaz sobre un modelo. Si la compañía consigue construir gemelos digitales fiables a partir de fuentes médicas dispersas, podría acelerar el desarrollo de fármacos allí donde hoy el proceso se frena por la falta de datos de calidad.

Para el mercado es una señal importante: la próxima ola de IA en healthtech puede construirse no en torno a chatbots, sino en torno a una mejor base de investigación.