IA en la experimentación animal: ¿Avance científico o trampa ética?
Los sistemas de monitoreo continuo ofrecen una visión prometedora de cómo la IA puede transformar la recolección de datos en la experimentación con animales. El desafío está en evitar que perpetúe su uso y orientarla hacia el reemplazo definitivo.
Los recientes avances en los estándares de bienestar de los animales de laboratorio han sido presentados como un triunfo ético dentro de la experimentación. Esto puede deberse a que el refinamiento suele ser el “camino de menor resistencia” en las instalaciones de investigación. El refinamiento uno de los principios de las 3R (Reemplazo, Reducción y Refinamiento) que han sido la piedra angular en la ética de la experimentación animal busca minimizar el sufrimiento de los animales utilizados en investigación.
Cambiar la forma de manipular a un ratón, como no tomarlo de la cola, mejorar la calidad del alimento o instalar racks con mejores sistemas de ventilación y control, son medidas relativamente sencillas y que, efectivamente, reducen el sufrimiento inmediato de los animales. Sin embargo, estos cambios pueden ofrecer la sensación de que se ha respondido a las críticas éticas y reforzar la legitimidad del modelo en lugar de buscar su reemplazo.
Esto significa que, mientras más se invierte en técnicas de alojamiento (housing), analgesia o vigilancia, menos urgente parece la necesidad de encontrar métodos alternativos, porque se reduce la crítica social y el malestar dentro de la propia comunidad científica. Es importante recordar que la base del refinamiento está en reducir el estrés o distrés de los animales de laboratorio, además de asegurar su bienestar y enriquecimiento ambiental, y no en justificar su permanencia a través de la aplicación de estos objetivos.
Imagen por Depositphotos
La IA como herramienta de evolución científica
Últimamente, se ha integrado a la gama de métodos de refinamiento el uso de inteligencia artificial (IA) en técnicas de housing y monitoreo, las cuales han mejorado la observación del comportamiento y las señales de alerta temprana en grupos de roedores, al mismo tiempo que reducen la manipulación humana para la toma de muestras en controles fisiológicos. La IA propone más precisión, eficiencia y datos.
El cambio en la forma en que se recopilan e interpretan los datos conductuales y fisiológicos en roedores de laboratorio, integrando la automatización del monitoreo continuo junto con el análisis en tiempo real de grandes volúmenes de datos, representa una mejora significativa frente a los métodos manuales, fragmentarios y sujetos al sesgo humano. Se pueden implementar herramientas que generan lecturas de patrones, identifican cambios sutiles en la rutina de los animales y optimizan la eficiencia del uso de escalas de evaluación de comportamiento, como la escala de Grimace, lo que eventualmente disminuye los niveles de estrés. Con tecnologías como Home Cage AI, se podría acelerar la comprensión de enfermedades, permitir intervenciones más precisas y reducir el tiempo y los costos de la investigación.
Si bien las escalas de Grimace representan un avance significativo en la evaluación no invasiva del dolor en roedores y otras especies, presentan limitaciones que impiden considerarlas una herramienta ideal. De no añadir correctamente los datos de una escala de este tipo a los fundamentos de la inteligencia artificial, la interpretación de expresiones faciales puede verse afectada por la variabilidad individual o por las diferencias entre cepas o especies. Además, estas escalas se centran en el dolor agudo y pueden ser menos sensibles para detectar dolor crónico o de bajo grado, donde las señales faciales son más sutiles o se enmascaran por mecanismos adaptativos. La confianza exclusiva en estas escalas puede invisibilizar otras dimensiones del bienestar, por lo que dichas dimensiones se deben incorporar a los modelos de IA.
Por otra parte, se deben tener en cuenta algunos factores que podrían alterar esta mejora. Uno de ellos es que la programación inicial de cualquier herramienta de inteligencia artificial se basa en la información que el ser humano le entrega, lo que genera un sesgo inicial sobre el cual se basará la IA para interpretar una señal animal como importante o descartable. Si se incluye información objetiva que pase por rigurosas revisiones de profesionales (como médicos veterinarios, técnicos de bioterios o biólogos expertos en animales de laboratorio), se podría disminuir el sesgo humano en la interpretación de señales de comportamiento importantes en los animales. De lo contrario, el riesgo de incluir información insuficiente o incluso incorrecta en las bases de datos es muy alto. El uso de estos sistemas inteligentes también puede abrir la puerta a la expansión del uso de animales en experimentos más complejos o más largos, ahora que se les puede observar mejor y por más tiempo. Las instituciones que adoptan este tipo de sistemas lo hacen con el objetivo principal de optimizar el uso de los animales; de hecho, uno de los beneficios más repetidos es que se pueden obtener más datos por cada animal, lo que debería reducir el número total de individuos utilizados en cada etapa del experimento. No obstante, podría ocurrir que se realicen más experimentos (con más variables, comparaciones y estudios longitudinales), expandiendo así su alcance. Por esto, es importante la implementación de políticas que impidan su uso innecesario. En el caso de la experimentación animal, el objetivo debe ser superarla. Cualquier iniciativa tecnológica aplicada a este campo debe ser evaluada en función de su contribución al reemplazo de dicho modelo.
Es verdad que la ciencia debe avanzar, pero no a cualquier costo ni en cualquier dirección. Los avances en bienestar animal no pueden ser la justificación para su uso continuo. La IA puede ser una herramienta clave para acelerar la transición hacia modelos alternativos libres de sufrimiento animal, pero solo si se la utiliza con una conciencia crítica y una regulación clara.
Conoce laboratorios que no utilizan animales en nuestro Mapa de Laboratorios Alternativos en Latinoamérica.
Bibliografía:
Critser, R., & Locke, P. (2024). How should the 3 R’s be revised and why? AMA Journal of Ethics, 26(9), E673–E680. https://doi.org/10.1001/amajethics.2024.673
Dutton, G. (2025). Home Cage AI-Monitoring. Envision, Jackson Labs. https://www.genengnews.com/topics/artificial-intelligence/home-cage-ai-monitoring/
Ernst, L., Kopaczka, M., & Tolba, R. H., et al. (2020). Improvement of the Mouse Grimace Scale set-up for implementing a semi-automated Mouse Grimace Scale scoring (Part 1). Laboratory Animals, 54(1), 83–91. https://doi.org/10.1177/0023677219881655
Guo, C., et al. (2024). A survey on AI-driven mouse behavior analysis. Frontiers in Neuroscience. https://pmc.ncbi.nlm.nih.gov/articles/PMC11591614/
Herrmann, K. (2019). Refinement on the Way Towards Replacement: Are We Doing What We Can? WellBeing International WBI Studies Repository. https://www.wellbeingintlstudiesrepository.org/cgi/viewcontent.cgi?article=1001&context=humsmov
Hsieh, C. M., et al. (2024). AI-powered home cage system for real-time tracking and behavioral monitoring of rodents. Cell Reports Methods. https://www.cell.com/iscience/fulltext/S2589-0042(24)02448-9
Kiani, A. K., Pheby, D., Henehan, G., Brown, R., Sieving, P., Sykora, P., ... & Bertelli, M. (2022). Ethical considerations regarding animal experimentation. J Prev Med Hyg, 63(2 Suppl 3), E255-E266. https://doi.org/10.15167/2421-4248/jpmh2022.63.2S3.2768
Lauwereyns, J., Bajramovic, J., Bert, B. et al. (2024). Toward a common interpretation of the 3Rs principles in animal research. Lab Anim, 53, 347–350. https://doi.org/10.1038/s41684-024-01476-2
Singer, M., & Akhtar, A. (2024). With what should we replace nonhuman animals in biomedical research protocols? AMA Journal of Ethics, 26(9), E701–E708. https://doi.org/10.1001/amajethics.2024.701
