[ES] La Torsade de Pointes (TdP) es una arritmia ventricular grave y potencialmente mortal. Este tipo de arritmia puede aparecer por diversas causas, siendo una de las más relevantes la toma de medicamentos. La TdP inducida por fármacos constituye un reto en seguridad farmacológica, llegando a ser responsable de la retirada de muchos fármacos del mercado. Por ello, realizar una correcta predicción del riresgo proarrítmico de los fármacos es crucial para la seguridad de los pacientes. Aunque los métodos actuales de evaluación del riesgo de TdP son eficaces, resultan costosos y presentan limitaciones. En los últimos años, las simulaciones cardíacas in silico han surgido como herramientas prometedoras para mejorar la evaluación farmacológica, complementando los métodos de evaluación actuales y mejorando la eficiencia y la precisión. El objetivo principal de esta tesis doctoral ha sido desarrollar herramientas computacionales para mejorar la predicción del riesgo proarrítmico inducido por fármacos. La metodología se ha basado principalmente en una versión modificada del modelo computacional del potencial de acción ventricular de O'Hara. En primer lugar, este modelo in silico se utilizó para simular los efectos de 109 fármacos y analizar distintos biomarcadores como Tx, TqNet, Ttriang y TEAD con el fin de construir herramientas de predicción de TdP. En segundo lugar, se estudió el papel de la variabilidad electrofisiológica. Para ello, se construyó una población de más de 800 modelos electrofisiológicos para simular las diferencias interindividuales en la respuesta a la exposición a fármacos y se desarrolló un clasificador ternario basado en Máquinas de Vectores de Soporte. Finalmente, se analizó el impacto del sexo y la función renal mediante la integración de modelos farmacocinéticos (PK) y una población de modelos electrofisiológicos (EP) de 300 hombres y 300 mujeres. El clasificador binario basado en árboles de decisión, que combina los biomarcadores Tx, TqNet, Ttriang, logró un accuracy del 94,5%, superando los resultados de la prueba utilizada actualmente por las agencias reguladoras, el test hERG IC50, que obtuvo un accuracy del 78,9%. Además, el estudio identificó que los cambios en las corrientes iónicas IKr, ICaL, INaL e IKs fueron los principales responsables del riesgo de TdP. A partir de estos hallazgos, se desarrolló una herramienta web basada en más de 450 000 simulaciones que ofrece la posibilidad de evaluar el riesgo proarrítmico de un fármaco de forma rápida y sencilla. Por otro lado, el clasificador ternario que consideraba la variabilidad interindividual aumentó la accuracy de la predicción de riesgo de TdP en más de un 20% en comparación con el clasificador sin variabilidad interindividual. Respecto al efecto del sexo y la función renal, las simulaciones evidenciaron que las mujeres con función renal alterada presentan mayor susceptibilidad a las arritmias inducidas por fármacos. Además, la metodología propuesta integrando los modelos PK y EP ayudó a determinar los regímenes de máxima dosis segura para subgrupos específicos de pacientes. Además, como prueba de concepto, también se realizaron simulaciones en 3D de los efectos del dofetilide, obteniendo prolongaciones del intervalo QT similares a los datos clínicos publicados. En conclusión, las metodologías desarrolladas en esta tesis doctoral mejoran la predicción del riesgo de TdP inducida por fármacos, contribuyendo al desarrollo de medicamentos más seguros y a estrategias de tratamiento más personalizadas. Los resultados presentados demuestran el impacto que pueden tener las herramientas in silico en el avance de las evaluaciones de seguridad farmacológica. Además, se espera que los hallazgos de esta tesis doctoral abran nuevas vías para futuras investigaciones en el ámbito de las simulaciones cardiacas in silico, lo que en última instancia conducirá a mejores evaluaciones de seguridad cardíaca y a una mayor seguridad farmacológica en general., [CA] La Torsade de Pointes (TdP) és una arrítmia ventricular greu i potencialment mortal. Este tipus d'arrítmia pot aparèixer per diverses causes, sent una de les més rellevants l'administració de medicaments. La TdP induïda per fàrmacs representa un repte en l'àmbit de la seguretat farmacològica, ja que ha sigut responsable de la retirada de molts fàrmacs del mercat. Per això, realitzar una correcta predicció del risc proarrítmic dels fàrmacs és crucial per a la seguretat dels pacients. Encara que els mètodes actuals d'avaluació del risc de TdP són eficaços, resulten costosos i presenten limitacions per a reflectir les complexes interaccions entre els fàrmacs i el teixit cardíac en determinades situacions. En els últims anys, les simulacions cardíaques in silico han sorgit com a eines prometedores per a millorar l'avaluació farmacològica, complementant els mètodes actuals i augmentant l'eficiència i la precisió. L'objectiu d'aquesta tesi doctoral ha sigut desenvolupar eines computacionals per a millorar la predicció del risc proarrítmic induït per fàrmacs. La metodologia s'ha basat en una versió modificada del model de potencial d'acció ventricular d'O'Hara. En primer lloc, aquest model in silico es va utilitzar per a simular els efectes de 109 fàrmacs amb riscos torsadogènics coneguts i analitzar biomarcadors com Tx, TqNet, Ttriang i TEAD, per a construir eines de predicció de TdP. En segon lloc, es va estudiar el paper de la variabilitat electrofisiològica. Per a això, es va construir una població de més de 800 models electrofisiològics amb l'objectiu de simular les diferències interindividuals en la resposta als fàrmacs, i es va desenvolupar un classificador ternari basat en Màquines de Vectors de Suport (SVM). Finalment, es va analitzar l'impacte del sexe i la funció renal en el risc de TdP, mitjançant la integració de models farmacocinètics (PK) amb una població de models electrofisiològics (EP) de 300 homes i 300 dones. El classificador binari basat en arbres de decisió, que combinava els biomarcadors Tx, TqNet i Ttriang, va aconseguir una accuracy del 94,5%, superant la prova utilitzada actualment per les agències reguladores, el test hERG IC50, que va obtindre un 78,9% de accuracy. A més, aquest estudi va identificar que els canvis en les corrents iòniques IKr, ICaL, INaL i IKs són els principals determinants del risc de TdP. A partir d'aquests resultats, es va desenvolupar una eina web basada en més de 450 000 simulacions que permet una avaluació ràpida i senzilla del risc proarrítmic d'un fàrmac. D'altra banda, el classificador ternari que considerava la variabilitat interindividual va augmentar l'accuracy de la predicció de TdP en més d'un 20% en comparació amb el classificador sense variabilitat interindividual. Pel que fa a l'efecte del sexe i la funció renal, les simulacions van evidenciar que les dones amb funció renal deteriorada són més susceptibles a les arrítmies induïdes per fàrmacs. A més, la metodologia proposta basada en la integració de models PK i EP, va ajudar a determinar els règims de màxima dosi segura per a subgrups específics de pacients. A més, com a prova de concepte, també es van realitzar simulacions 3D dels efectes del dofetilide, obtenint prolongacions de l'interval QT similars a les dades clíniques reportades. En conclusió, les metodologies desenvolupades en aquesta tesi doctoral milloren la predicció del risc de TdP induït per fàrmacs, contribuint a un desenvolupament de medicaments més segurs i a estratègies terapèutiques més personalitzades. Els resultats presentats demostren l'impacte que poden tenir les eines in silico en el progrés de les avaluacions de seguretat farmacològica. A més, s'espera que els resultats d'aquesta tesi doctoral òbriguen noves vies per a futures investigacions en l'àmbit de les simulacions cardíaques in silico, la qual cosa, en última instància, conduirà a millors avaluacions de seguretat cardíaca i a una major seguretat farmacològica en general., [EN] Torsade de Pointes (TdP) is a severe and potentially life-threatening ventricular arrhythmia. This type of arrhythmia can occur due to various causes, one of the most relevant being the administration of certain medications. Drug-induced TdP represents a significant challenge in the field of drug safety, as it has been responsible for the withdrawal of numerous drugs from the market. Therefore, accurate prediction of the proarrhythmic potential of drugs is crucial for patient safety. While current TdP risk assessment methods are effective, they are expensive and have limitations in capturing the complex interactions between drugs and cardiac tissue in certain scenarios. In recent years, in silico cardiac simulations have emerged as promising tools for improving drug evaluation, complementing existing methods, and enhancing both efficiency and accuracy. This PhD thesis aims to develop computational tools to improve the prediction of drug-induced proarrhythmic risk. The methodology is primarily based on a modified version of the O'Hara and colleagues' ventricular action potential model. First, this in silico model was used to simulate the effects of 109 drugs with known torsadogenic risks and to analyse biomarkers such as Tx, TqNet, Ttriang, and TEAD, enabling the development of TdP prediction tools. Second, the role of electrophysiological variability in TdP risk assessment was studied. A population of over 800 electrophysiological models was constructed to simulate inter-individual differences in drug response, and a ternary classifier was developed using Support Vector Machines (SVM). Finally, the impact of sex and renal function on drug-induced TdP risk was analysed by integrating pharmacokinetic (PK) models with a population of electrophysiological (EP) models of 300 males and 300 females. The binary decision-tree classifier that combined the biomarkers Tx, TqNet, and Ttriang achieved an accuracy of 94.5%, outperforming the current regulatory test, hERG IC50, which reached an accuracy of 78.9%. Additionally, the study identified that changes in the IKr, ICaL, INaL, and IKs currents were the primary determinants of TdP risk. These findings led to the development of a web-based tool based on over 450 000 simulations, offering a rapid and straightforward assessment of the proarrhythmic risk of a compound. Furthermore, the ternary classifier that incorporates inter-individual variability increased TdP risk prediction accuracy by more than 20% compared to the classifier that did not consider inter-individual variability. Regarding sex and renal function, simulations demonstrated that women with impaired renal function were more susceptible to drug-induced arrhythmias. The proposed PK/EP model integration also helped determine the maximum safe dosing regimens for specific patient subgroups. In addition, as a proof of concept, 3D simulations of dofetilide were performed, yielding QT prolongations consistent with reported clinical data. In conclusion, the methodologies developed in this PhD thesis enhance the prediction of drug-induced TdP risk, contributing to safer drug development and more personalized treatment strategies. The results highlight the impact in silico tools can have on advancing cardiac safety assessments. Furthermore, these findings are expected to pave the way for future research aimed at refining in silico cardiac simulations, ultimately leading to improved cardiac safety evaluations and enhanced overall drug safety., This work was partially supported by the Dirección general de Política Científica de la Generalitat Valenciana (PROMETEU2020/043); by “Primeros Proyectos de Investigación” (PAID-06-18) from Vicerrectorado de Investigación, Innovación y Transferencia de la Universitat Politècnica de València (UPV), València, Spain; as well as from the “Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020” from the Ministerio de Ciencia e Innovación y Universidades (PID2019-104356RB-C41/AEI710.13039/501100011033). J.L.L. is being funded by the Ministerio de Ciencia, Innovación y Universidades for the “Formación de Profesorado Universitario” (grant reference: FPU18/01659). This project received funding from the European Union’s Horizon 2020 Research and Innovation Program under grant agreement No. 101016496 (SimCardioTest). The authors also thankfully acknowledge the computer resources at MareNostrum and the technical support provided by Barcelona Supercomputing Center (IM-2021-1-0001, IM-2021-1-0003, IM-2022-1-0002, IM-2023-1-0002). JL is being funded by the Ministerio de Ciencia, Innovación y Universidades for the Formación de Profesorado Universitario (grant reference: FPU18/01659). Funding for open access charge: Universitat Politècnica de València