Este no es el caso de un cliente específico. Es una reconstrucción, etapa por etapa, de dónde se va realmente el tiempo en un dossier HTA y cuánto puede comprimirse cada parte según la evidencia pública disponible. Las cifras son de estudios publicados, no de promesas de marketing.

Cuando un equipo de market access escucha "la IA reduce el tiempo de preparación de tu dossier", la reacción sensata es escepticismo. ¿Reduce qué exactamente? ¿En qué etapa? ¿Y a costa de qué? Este artículo responde esas preguntas construyendo un caso ilustrativo: un dossier HTA hipotético pero realista, desglosado en sus etapas reales, con cada estimación de ahorro anclada en estudios públicos. No describe el resultado de ningún cliente. Describe lo que la evidencia disponible permite afirmar sobre el potencial de la automatización.

1. Primero, dónde se va el tiempo en un dossier HTA

Un dossier HTA no es un documento único. Es un paquete de evidencia que las agencias exigen ensamblar bajo plazos estrictos. Los componentes centrales, según las guías de NICE, CADTH e ICER, incluyen una revisión sistemática de literatura clínica, análisis de costo-efectividad y de impacto presupuestal, comparaciones indirectas cuando aplican, y la narrativa contextual de valor.

Ensamblar esto exige un esfuerzo considerable de gestión de proyecto. Un equipo de acceso típico reúne economistas de la salud, epidemiólogos, estadísticos, médicos con experiencia en la enfermedad y especialistas regulatorios, con expertos que iteran borradores y responden a los puntos de clarificación de la agencia. Y los plazos no perdonan: las evaluaciones tipo STA de NICE, por ejemplo, exigen la sumisión 56 días después de la invitación, dentro de una ventana de evaluación de alrededor de 35 semanas.

Conviene además nombrar el cuello de botella reconocido: la finalización del modelo económico global suele ser el principal obstáculo para cerrar un Global Value Dossier. Por eso muchos equipos desarrollan el dossier en dos fases, primero la parte clínica y luego la económica.

Con ese mapa, podemos ver dónde la automatización tiene espacio real y dónde no.

2. Etapa por etapa: qué dice la evidencia sobre el ahorro

Revisión sistemática de literatura (SLR). Es una de las etapas más intensivas en tiempo y donde la evidencia de ahorro es más sólida. Un estudio presentado en ISPOR evaluó un enfoque sinérgico de IA generativa con revisión humana y reportó que, comparado con SLR hechas solo por humanos, fue 20.3% más rápido en el screening de título y resumen, 61.8% más rápido en el screening de texto completo y 55.6% más rápido en la extracción de datos. Otro estudio, sobre una herramienta de SLR asistida por IA, reportó un ahorro acumulado de 42% del tiempo en el proceso de SLR de extremo a extremo frente al enfoque tradicional basado en Excel.

El matiz honesto importa: ese mismo estudio reportó que el reporte final autogenerado carecía de algunas secciones y de profundidad, y que la retroalimentación humana fue valiosa para ajustarlo a las expectativas. Es decir, el ahorro es real, pero requiere revisión humana para alcanzar calidad de sumisión.

Modelado económico. El reporte del ISPOR Working Group on Generative AI documenta que la IA puede asistir en el modelado económico (generación de código, replicación, análisis de sensibilidad), pero es explícito en que la IA generativa muestra promesa en automatizar tareas de HEOR como las revisiones sistemáticas y el modelado económico, aunque todavía no es confiable para uso autónomo. Aquí el ahorro proviene de acelerar la construcción y validación, no de eliminar al economista. Dado que el modelo es el cuello de botella reconocido, incluso una compresión parcial de esta etapa tiene un efecto desproporcionado sobre el cronograma total.

Generación de la narrativa de valor y del dossier. El mismo reporte del ISPOR identifica el desarrollo de dossiers y la generación de evidencia de mundo real como aplicaciones emergentes de la IA generativa. La redacción de borradores estructurados, la adaptación de la narrativa a distintos formatos de agencia y la consistencia entre secciones son tareas donde la asistencia acelera el trabajo, siempre bajo validación experta.

Ahorros documentados por etapa

La evidencia pública sitúa los ahorros en las fases más intensivas en procesamiento (SLR, construcción de modelo, redacción) en un rango del 40% al 60%, siempre con revisión humana como condición para alcanzar calidad de sumisión.

3. El caso ilustrativo, armado con esas piezas

Imaginemos un dossier que, en un proceso tradicional, toma a un equipo varios meses, con la SLR y el modelo económico como las etapas más pesadas. Aplicando solo los ahorros documentados arriba a las etapas donde la evidencia los respalda:

Si la SLR representa una porción significativa del cronograma y la automatización con revisión humana la acelera en el rango del 42% de extremo a extremo, esa sola etapa se comprime de forma notable. Si además la construcción y validación del modelo económico (el cuello de botella) se acelera parcialmente, y la redacción del dossier se asiste, el efecto combinado sobre el tiempo total es sustancial.

La cifra exacta de reducción total depende de la composición específica de cada proyecto: cuánto pesa la SLR frente al modelo, cuántos comparadores hay, cuántas agencias y mercados. Por eso este caso es ilustrativo y no promete un porcentaje único. Lo que la evidencia sí sostiene es la dirección y el orden de magnitud: ahorros de etapa documentados entre el 40% y el 60% en las fases más intensivas, que se traducen en una compresión material del cronograma global cuando se aplican con criterio.

Lo que la evidencia no sostiene, y por eso no lo afirmamos, es que la automatización elimine la revisión experta o que produzca un dossier listo para sumisión sin intervención humana. Todo lo contrario: los mismos estudios que documentan el ahorro documentan también que la calidad de sumisión exige al humano en el proceso.

4. La condición innegociable: el humano en el loop

Toda la evidencia converge en un punto. El reporte del ISPOR es directo: la IA generativa debe aumentar y no reemplazar la experticia humana en el horizonte cercano, y debe adoptarse con controles fuertes. NICE, la primera agencia con posición pública sobre IA en evidencia, hace del principio de un humano competente e informado en el proceso un requisito no negociable.

Esto no es una limitación incómoda que haya que disimular. Es la fuente misma de la legitimidad del ahorro. Un dossier acelerado pero mal validado es un riesgo, no una ventaja: una referencia inventada o un dato mal extraído que una agencia detecta cuesta más que el tiempo que se ahorró. El valor real está en acelerar la mecánica preservando el rigor, no en saltarse el rigor.

5. Qué tomar de este caso

La pregunta correcta no es "¿la IA reduce el tiempo del dossier?", sino "¿en qué etapas, con qué evidencia y a costa de qué?". La respuesta honesta:

En las etapas intensivas en procesamiento (SLR, construcción de modelo, redacción de borradores), el ahorro está documentado y es sustancial. En la validación, el juicio metodológico y la estrategia de evidencia, el humano sigue siendo insustituible y debe seguir siéndolo. El resultado neto, bien ejecutado, es un cronograma materialmente más corto sin sacrificar la defensibilidad ante la agencia.

En Quantus construimos exactamente sobre esa lógica: usar la automatización para comprimir las etapas donde la evidencia respalda el ahorro, manteniendo el conocimiento experto de market access y HEOR y la validación humana en el centro. El objetivo no es producir dossiers más rápido por deporte, sino acelerar el acceso real de los productos del cliente al mercado, sin poner en riesgo la calidad que la agencia va a examinar.

Referencias

IntuitionLabs. HTA Dossiers: A Guide to Submissions for NICE, CADTH & ICER. 2026. Disponible en: https://intuitionlabs.ai/articles/hta-dossier-submission-guide
Costello Medical. The Critical Role of the Global Value Dossier in EU Joint Clinical Assessment. 2025. Disponible en: https://www.costellomedical.com/what-we-do/value-and-access/role-of-the-global-value-dossier/
ISPOR. The Use of Large Language Models for Systematic Literature Review Automation: An Evaluation of Quality and Time Savings (ISPOR 2025, Poster Session). Disponible en: https://www.ispor.org/heor-resources/presentations-database/presentation-cti/ispor-2025/poster-session-2/the-use-of-large-language-models-for-systematic-literature-review-automation-an-evaluation-of-quality-and-time-savings
ISPOR. ActiveSLR: Optimizing Efficiency in Systematic Literature Reviews with Artificial Intelligence (ISPOR 2025, Poster Session). Disponible en: https://www.ispor.org/heor-resources/presentations-database/presentation-cti/ispor-2025/poster-session-2/activeslr-optimizing-efficiency-in-systematic-literature-reviews-with-artificial-intelligence
Fleurence RL, Wang X, Bian J, Higashi MK, Ayer T, Xu H, Dawoud D, Chhatwal J; ISPOR Working Group on Generative AI. A Taxonomy of Generative Artificial Intelligence in Health Economics and Outcomes Research: An ISPOR Working Group Report. Value in Health. 2025. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1098301525023356
NICE. Use of AI in evidence generation: NICE position statement (ECD11). 2024. Disponible en: https://www.nice.org.uk/corporate/ecd11