El núcleo de la propuesta de valor de Triomics reside en su capacidad para abordar uno de los desafíos más persistentes en oncología: la identificación eficiente de pacientes para ensayos clínicos y la optimización de sus tratamientos. Este proceso, históricamente manual y propenso a errores, se ve obstaculizado por el vasto y a menudo no estructurado volumen de datos médicos. La inversión reciente no solo valida el enfoque innovador de Triomics, sino que también señala una creciente confianza en las soluciones de IA específicas para el dominio de la salud. Antes de esta Serie B, la compañía ya había asegurado $15 millones en mayo de 2024 de inversores de renombre como Lightspeed, Nexus Venture Partners, General Catalyst y Y Combinator, consolidando su posición como un actor clave en el panorama de la salud digital.
La importancia de Triomics en este momento radica en su potencial para democratizar el acceso a terapias experimentales y personalizadas, lo que podría acelerar el desarrollo de nuevos tratamientos y mejorar los resultados para millones de pacientes. Al automatizar y optimizar tareas que consumen mucho tiempo, la IA de Triomics permite a los profesionales de la salud dedicar más tiempo a la atención directa al paciente, un recurso invaluable en un campo tan complejo y demandante como la oncología.
Cómo funciona la IA de Triomics
La tecnología central de Triomics es su modelo de lenguaje grande (LLM) especializado en oncología, denominado OncoLLM™. A diferencia de los modelos de lenguaje generales, OncoLLM™ está entrenado específicamente con un vasto corpus de datos oncológicos, lo que le permite comprender la terminología médica, las complejidades de los historiales de pacientes y las sutilezas de los protocolos de tratamiento e investigación del cáncer con una precisión sin precedentes. Su función principal es procesar y extraer información crítica de datos médicos no estructurados, que representan aproximadamente el 80% de toda la información clínica, incluyendo notas de texto libre, informes de patología, resultados de imágenes y datos genómicos. Esto contrasta con el software tradicional que a menudo se limita a analizar solo el 20% de los datos estructurados.
Una de las capacidades más destacadas de OncoLLM™ es su eficiencia en la identificación de pacientes elegibles para ensayos clínicos. La empresa afirma que su modelo puede identificar el 90% de los pacientes candidatos en cuestión de minutos, una tarea que, realizada manualmente, consumiría horas del personal sanitario por paciente. Esta aceleración es crucial, ya que la lentitud en la identificación de pacientes es un cuello de botella significativo en la investigación clínica, retrasando el avance de nuevas terapias.
Además de su eficiencia, Triomics destaca el impresionante costo-beneficio de su tecnología. Según la compañía, OncoLLM™ es 40 veces más económico que modelos propietarios de propósito general, como GPT-4, para tareas oncológicas específicas. Mientras que GPT-4 podría costar aproximadamente $6,055 por hora para analizar datos oncológicos complejos, OncoLLM™ realiza la misma tarea por unos $170 por hora. Esta rentabilidad es un factor clave para su adopción generalizada, permitiendo a más centros de cáncer, incluso aquellos con presupuestos limitados, acceder a capacidades de IA avanzadas.
La efectividad de OncoLLM™ ya ha sido probada en entornos clínicos de primer nivel. Triomics ya cuenta con implementaciones exitosas en centros de referencia global como Memorial Sloan Kettering, Mount Sinai y Yale Cancer Center, lo que subraya la validación de su tecnología en algunos de los hospitales oncológicos más prestigiosos. Sarim Khan, CEO de Triomics, y Hrituraj Singh, CTO de la compañía, han enfatizado el potencial transformador de la IA generativa para abordar los desafíos en oncología, destacando la fusión de su experiencia en investigación de IA con un profundo conocimiento clínico oncológico.
Qué cambia para los profesionales tech
La irrupción de la IA especializada en oncología, como la de Triomics, reconfigura significativamente el panorama para los profesionales tech, creando nuevas demandas y oportunidades. Para desarrolladores y científicos de datos, surge una clara necesidad de especialización. La creación y el refinamiento de LLMs de dominio específico, como OncoLLM™, demuestran que la generalización no siempre es suficiente; se requieren conocimientos profundos en procesamiento de lenguaje natural (NLP), aprendizaje automático (ML) y, crucialmente, una comprensión del lenguaje y la fisiología médica, la genética y la oncología. Esto abre vías para la formación de especialistas en IA médica.
Los ingenieros de datos e infraestructura enfrentan el desafío de gestionar volúmenes masivos de datos médicos, gran parte de ellos no estructurados y altamente sensibles. Se necesitan arquitecturas de datos robustas, escalables y seguras que no solo puedan procesar estos datos de manera eficiente, sino que también cumplan rigurosamente con normativas de privacidad como HIPAA (en EE. UU.) y GDPR (en Europa), y normativas locales en otras regiones. La implementación de soluciones de seguridad de datos de vanguardia, el anonimato y la tokenización de información personal identificable (PII) se vuelven tareas críticas.
Para los profesionales de la salud con un perfil tecnológico, también conocidos como informáticos de la salud, el cambio radica en una mayor integración de la IA en los flujos de trabajo clínicos. Esto implica no solo la implementación técnica, sino también la capacitación del personal médico en el uso de estas herramientas, la validación de sus resultados y la comprensión de sus limitaciones. La colaboración multidisciplinaria entre tecnólogos y clínicos será más esencial que nunca para asegurar que las soluciones de IA sean prácticas, efectivas y éticamente responsables. Bradley Taylor, del Medical College of Wisconsin, elogia precisamente el enfoque colaborativo de Triomics en el codesarrollo de modelos, un indicio de la dirección que debe tomar la industria.
Finalmente, los líderes y tomadores de decisiones tecnológicas en el sector salud deben evaluar e integrar estas nuevas soluciones de IA. Esto implica equilibrar la innovación con la seguridad del paciente, la ética, la viabilidad económica y la interoperabilidad con los sistemas existentes. El desarrollo y la implementación de la IA en salud también impulsan el debate sobre la gobernanza de datos clínicos, la regulación de la IA generativa y la necesidad de marcos éticos robustos que aseguren una adopción responsable, evitando sesgos algorítmicos y garantizando la transparencia.
Qué viene después
El éxito de la ronda de financiación de Triomics marca el inicio de una fase de expansión y consolidación para la IA en oncología. En el corto y mediano plazo, se espera que Triomics busque expandir sus implementaciones a un mayor número de centros de cáncer globalmente. Esto incluirá no solo las principales instituciones de investigación, sino también mercados emergentes que podrían beneficiarse enormemente de la eficiencia y el acceso que ofrece esta tecnología. La validación en centros de prestigio como Memorial Sloan Kettering ya proporciona una base sólida para esta expansión.
Desde una perspectiva tecnológica, el perfeccionamiento continuo de OncoLLM™ será una prioridad. Esto podría incluir la integración de fuentes de datos aún más diversas, como análisis avanzados de imágenes médicas (radiómica) y genómica más compleja, para ofrecer una visión aún más integral y personalizada de la enfermedad. El objetivo es aumentar la precisión predictiva del modelo, expandir su rango de aplicaciones más allá de la elegibilidad para ensayos clínicos, abarcando la planificación de tratamientos y el monitoreo de la respuesta.
En el ámbito regulatorio, la IA en salud continuará enfrentando un escrutinio creciente. A medida que estas tecnologías se integran más profundamente en la práctica clínica, se espera la formulación de más directrices y marcos legales para asegurar su seguridad, eficacia y, crucialmente, su ética. Este desarrollo regulatorio es vital para generar confianza entre profesionales de la salud, pacientes y el público en general. La Dra. Natalia Sánchez del CTIC Colombia señala los desafíos éticos, técnicos y regulatorios que deben abordarse para una implementación efectiva y equitativa.
La colaboración multidisciplinaria se intensificará. La co-creación entre desarrolladores de IA, bioinformáticos, oncólogos, especialistas en ética médica y gestores de salud será fundamental para diseñar soluciones que no solo sean tecnológicamente avanzadas, sino también clínicamente relevantes, éticamente sólidas y centradas en el paciente. La Dra. Pérez, de SOLTI NEXUS 2026, enfatiza que si bien la IA es valiosa para automatizar tareas repetitivas, su fiabilidad es aún limitada para interpretaciones complejas de la biología tumoral, lo que subraya la necesidad de una integración responsable.
Para Latinoamérica, los desafíos y oportunidades se entrelazan. Si bien la región enfrenta un rezago en la adopción tecnológica —con solo un 15% de empresas en etapas piloto de implementación, según la investigación—, el potencial de la IA para reducir costos operativos y mejorar el diagnóstico temprano es inmenso. El Dr. Erick Espinosa de la UVM México subraya que la IA puede mejorar el acceso a servicios de salud más equitativos en la región, siendo el diagnóstico temprano esencial. La baja inversión en ciencia y tecnología (menos del 0.5% del PIB en muchos países) y la dependencia de proveedores externos son obstáculos significativos. Sin embargo, proyectos locales como Biomakers (Argentina, Brasil, México), que convierte información genómica en decisiones terapéuticas, la iniciativa de la UVM en México para adaptar tecnologías de IA a necesidades locales y la colaboración entre Globant y PharmaMar para el descubrimiento de fármacos, demuestran que hay una capacidad y un interés creciente en la región para aprovechar esta ola tecnológica.
El futuro de los ensayos clínicos también se verá profundamente alterado. La IA como herramienta para acelerar la investigación, identificar cohortes de pacientes más específicas y optimizar el desarrollo de fármacos será una constante. El Dr. Rodrigo Dienstmann del VHIO resalta la importancia creciente de los datos de "vida real" (de historias clínicas electrónicas y registros de cáncer) para complementar la evidencia de ensayos y comprender mejor cómo funcionan los tratamientos en diversas poblaciones. La evolución de Triomics y otras empresas similares será clave para definir la próxima década de la oncología moderna.
