La IA transforma el diseño de ensayos clínicos y los ensayos descentralizados, pero persisten los desafíos de reclutamiento

Se prevé que la inteligencia artificial transforme fundamentalmente el panorama de los ensayos clínicos descentralizados (DCT, por sus siglas en inglés), abordando las ineficiencias críticas que han afectado a la industria durante décadas, según un nuevo análisis de BCC Research. El análisis examina cómo las tecnologías de IA están revolucionando el reclutamiento de pacientes, la retención y la gestión de la calidad de los datos, al tiempo que atraen una importante inversión de capital de riesgo en todo el sector.

Las principales plataformas DCT han recaudado más de 650 millones de dólares en rondas de financiación recientes. Medable obtuvo 506,6 millones de dólares en financiación total, incluida una ronda Serie D de 304 millones de dólares en 2021, mientras que Lindus Health recaudó 55 millones de dólares en una ronda Serie B en 2025. Las 20 principales empresas farmacéuticas informan de una aceleración triple en el reclutamiento de pacientes y una reducción del 40% en las tasas de fracaso de selección mediante sistemas de identificación y emparejamiento de pacientes impulsados por IA, abordando el problema crítico de que el 80% de los estudios no cumplen los plazos de inscripción con los métodos tradicionales. Los marcos de gestión de calidad basada en riesgos (RBQM) habilitados por IA están reduciendo los esfuerzos de verificación de datos fuente al centrarse en puntos de datos críticos, y los sistemas automatizados de detección de anomalías mejoran la integridad de los datos en múltiples sitios y dispositivos distribuidos. La analítica predictiva y los sistemas de puntuación de participación están reduciendo significativamente las tasas de abandono de pacientes en estudios descentralizados remotos. La convergencia tecnológica emergente incluye visión por computadora para la adherencia remota al protocolo, procesamiento de lenguaje natural para el emparejamiento de ensayos y aprendizaje federado para modelos de IA que preservan la privacidad. Los actores clave que establecen posiciones dominantes incluyen a Medable, Science 37, Lindus Health, Curebase, Castor, Deep 6 AI, Veeva Systems, IQVIA y Medidata. Los procesos de reclutamiento manual tradicionales causan retrasos de 1 millón de dólares al mes en los estudios, lo que crea incentivos económicos convincentes para las alternativas impulsadas por IA.

Según el CEO de Trialynx, una plataforma de ensayos clínicos impulsada por IA, el diseño de ensayos clínicos ha entrado en una nueva era. Hasta 2024, la industria dependía de copiar y pegar manualmente protocolos de ensayos anteriores, lo que generaba una tasa de fracaso increíblemente alta, incluidos criterios de valoración no alcanzados, sobrecostos de plazos y déficits de inscripción de pacientes. La IA ahora puede extraer grandes conjuntos de datos y buscar criterios de valoración en otros ensayos clínicos del dominio, o qué otras pruebas se realizaron, proporcionando calidad predictiva en los protocolos y la planificación. El CEO enfatizó que las tasas de fracaso se pueden reducir dedicando más reflexión al inicio, utilizando elementos descentralizados para facilitar los ensayos a los pacientes y a los sitios, y disminuyendo la carga de datos, señalando que la industria ha estado recopilando datos en exceso que a menudo no respaldan los criterios de valoración ni los objetivos.

El diseño de ensayos eficiente (lean trial design) se destacó como crítico: los pacientes nunca deberían ser sometidos a pruebas, visitas o cuestionarios que no respalden directamente los objetivos del ensayo. Se dio un ejemplo de un equipo clínico que quería administrar ocho cuestionarios psicológicos —alrededor de dos horas de cuestionarios— a los pacientes, con una validez cuestionable de las evaluaciones. El CEO enfatizó la importancia de considerar el recorrido del paciente, incluida la distancia de conducción, la posibilidad de opciones descentralizadas, visitas a domicilio o cuestionarios en línea, y asegurarse de que los pacientes sean reembolsados correctamente por su tiempo. Los sitios a menudo soportan la peor parte de una mala planificación y diseño de ensayos, con decisiones sobre qué ensayos asumir basadas en el impacto operativo, como la carga de trabajo del coordinador y la intensidad de las visitas.

Sin embargo, existe el peligro de asumir que un ensayo optimizado por IA es automáticamente un ensayo reclutable. Un protocolo puede ser científicamente sólido, estadísticamente robusto y operativamente bien modelado, pero aun así tener dificultades una vez que comienza a buscar pacientes reales, sitios reales y coordinadores reales. Los problemas de reclutamiento a menudo están arraigados mucho antes de que un ensayo se lance, a través de los criterios de inclusión y exclusión, los calendarios de visitas, la estrategia de criterios de valoración, la geografía, la selección de sitios y la carga para el paciente. La optimización siempre depende de la pregunta que se plantee: un diseño optimizado para el poder estadístico o la confianza regulatoria puede no estar optimizado para la participación del paciente. Un subgrupo de pacientes más reducido puede mejorar la precisión científica pero reducir el grupo de reclutamiento; las evaluaciones adicionales pueden aumentar la carga del participante; las visitas más frecuentes pueden hacer que el ensayo sea poco realista para pacientes que trabajan, viajan, cuidan a otros o viven lejos del sitio. Los pacientes experimentan un ensayo como tiempo, viajes, incertidumbre, procedimientos, interrupciones y posibles efectos secundarios, mientras que los sitios lo experimentan a través de cuestionarios de viabilidad, cargas de trabajo competitivas, capacidad del personal y complejidad de las visitas.

Los diseños de ensayos adaptativos y la planificación basada en simulación también se están volviendo esenciales, permitiendo a los patrocinadores incorporar flexibilidad en los protocolos y responder a la variabilidad del mundo real. Al anticipar la incertidumbre desde el principio y ajustar los diseños a medida que surgen los datos, los patrocinadores pueden proteger la integridad estadística y mejorar la probabilidad de alcanzar los criterios de valoración primarios. Además, las integraciones EHR-EDC están reduciendo la transcripción manual y mejorando la precisión de los datos, con la IA cada vez más utilizada para respaldar los controles de calidad y el monitoreo bajo supervisión humana. La escalabilidad a largo plazo dependerá de marcos de validación, alineación regulatoria y colaboración entre patrocinadores, sitios y proveedores. El modelo de proveedor de servicios funcionales está viendo una adopción creciente, permitiendo a los patrocinadores mantener la supervisión estratégica mientras aprovechan la experiencia de las CRO para mejorar la eficiencia y la asignación de recursos.