Este não é o caso de um cliente específico. É uma reconstrução, etapa por etapa, de onde realmente vai o tempo em um dossiê HTA e quanto cada parte pode ser comprimida segundo a evidência pública disponível. Os números são de estudos publicados, não de promessas de marketing.

Quando uma equipe de market access ouve "a IA reduz o tempo de preparação do seu dossiê", a reação sensata é o ceticismo. Reduz o quê exatamente? Em que etapa? E a que custo? Este artigo responde a essas perguntas construindo um caso ilustrativo: um dossiê HTA hipotético, mas realista, desmembrado em suas etapas reais, com cada estimativa de economia ancorada em estudos públicos. Não descreve o resultado de nenhum cliente. Descreve o que a evidência disponível permite afirmar sobre o potencial da automação.

1. Primeiro, onde vai o tempo em um dossiê HTA

Um dossiê HTA não é um documento único. É um pacote de evidência que as agências exigem montar sob prazos rígidos. Os componentes centrais, segundo as diretrizes de NICE, CADTH e ICER, incluem uma revisão sistemática de literatura clínica, análises de custo-efetividade e de impacto orçamentário, comparações indiretas quando aplicáveis, e a narrativa contextual de valor.

Montar isso exige um esforço considerável de gestão de projeto. Uma equipe de acesso típica reúne economistas da saúde, epidemiologistas, estatísticos, médicos com experiência na doença e especialistas regulatórios, com especialistas que iteram rascunhos e respondem aos pontos de esclarecimento da agência. E os prazos não perdoam: as avaliações tipo STA da NICE, por exemplo, exigem a submissão 56 dias após o convite, dentro de uma janela de avaliação de cerca de 35 semanas.

Convém ainda nomear o gargalo reconhecido: a finalização do modelo econômico global costuma ser o principal obstáculo para fechar um Global Value Dossier. Por isso muitas equipes desenvolvem o dossiê em duas fases, primeiro a parte clínica e depois a econômica.

Com esse mapa, podemos ver onde a automação tem espaço real e onde não.

2. Etapa por etapa: o que a evidência diz sobre a economia

Revisão sistemática de literatura (SLR). É uma das etapas mais intensivas em tempo e onde a evidência de economia é mais sólida. Um estudo apresentado no ISPOR avaliou uma abordagem sinérgica de IA generativa com revisão humana e relatou que, comparado com SLR feitas só por humanos, foi 20.3% mais rápido no screening de título e resumo, 61.8% mais rápido no screening de texto completo e 55.6% mais rápido na extração de dados. Outro estudo, sobre uma ferramenta de SLR assistida por IA, relatou uma economia acumulada de 42% do tempo no processo de SLR de ponta a ponta frente à abordagem tradicional baseada em Excel.

A nuance honesta importa: esse mesmo estudo relatou que o relatório final autogerado carecia de algumas seções e de profundidade, e que a retroalimentação humana foi valiosa para ajustá-lo às expectativas. Ou seja, a economia é real, mas requer revisão humana para alcançar qualidade de submissão.

Modelagem econômica. O relatório do ISPOR Working Group on Generative AI documenta que a IA pode auxiliar na modelagem econômica (geração de código, replicação, análise de sensibilidade), mas é explícito ao afirmar que a IA generativa mostra promessa em automatizar tarefas de HEOR como as revisões sistemáticas e a modelagem econômica, embora ainda não seja confiável para uso autônomo. Aqui a economia vem de acelerar a construção e a validação, não de eliminar o economista. Dado que o modelo é o gargalo reconhecido, mesmo uma compressão parcial desta etapa tem um efeito desproporcional sobre o cronograma total.

Geração da narrativa de valor e do dossiê. O mesmo relatório do ISPOR identifica o desenvolvimento de dossiês e a geração de evidência de mundo real como aplicações emergentes da IA generativa. A redação de rascunhos estruturados, a adaptação da narrativa a diferentes formatos de agência e a consistência entre seções são tarefas onde a assistência acelera o trabalho, sempre sob validação especializada.

Economias documentadas por etapa

A evidência pública situa as economias nas fases mais intensivas em processamento (SLR, construção de modelo, redação) em uma faixa de 40% a 60%, sempre com revisão humana como condição para alcançar qualidade de submissão.

3. O caso ilustrativo, montado com essas peças

Imaginemos um dossiê que, em um processo tradicional, toma de uma equipe vários meses, com a SLR e o modelo econômico como as etapas mais pesadas. Aplicando apenas as economias documentadas acima às etapas onde a evidência as respalda:

Se a SLR representa uma porção significativa do cronograma e a automação com revisão humana a acelera na faixa dos 42% de ponta a ponta, essa única etapa se comprime de forma notável. Se, além disso, a construção e validação do modelo econômico (o gargalo) é parcialmente acelerada, e a redação do dossiê é assistida, o efeito combinado sobre o tempo total é substancial.

A cifra exata de redução total depende da composição específica de cada projeto: quanto pesa a SLR frente ao modelo, quantos comparadores há, quantas agências e mercados. Por isso este caso é ilustrativo e não promete um percentual único. O que a evidência de fato sustenta é a direção e a ordem de magnitude: economias de etapa documentadas entre 40% e 60% nas fases mais intensivas, que se traduzem em uma compressão material do cronograma global quando aplicadas com critério.

O que a evidência não sustenta, e por isso não o afirmamos, é que a automação elimine a revisão especializada ou que produza um dossiê pronto para submissão sem intervenção humana. Muito pelo contrário: os mesmos estudos que documentam a economia documentam também que a qualidade de submissão exige o humano no processo.

4. A condição inegociável: o humano no loop

Toda a evidência converge em um ponto. O relatório do ISPOR é direto: a IA generativa deve aumentar e não substituir a expertise humana no horizonte próximo, e deve ser adotada com controles fortes. A NICE, a primeira agência com posição pública sobre IA em evidência, faz do princípio de um humano competente e informado no processo um requisito não negociável.

Isso não é uma limitação incômoda que precise ser disfarçada. É a fonte mesma da legitimidade da economia. Um dossiê acelerado mas mal validado é um risco, não uma vantagem: uma referência inventada ou um dado mal extraído que uma agência detecta custa mais do que o tempo economizado. O valor real está em acelerar a mecânica preservando o rigor, não em pular o rigor.

5. O que tirar deste caso

A pergunta correta não é "a IA reduz o tempo do dossiê?", mas "em que etapas, com que evidência e a que custo?". A resposta honesta:

Nas etapas intensivas em processamento (SLR, construção de modelo, redação de rascunhos), a economia está documentada e é substancial. Na validação, no julgamento metodológico e na estratégia de evidência, o humano segue sendo insubstituível e deve continuar sendo. O resultado líquido, bem executado, é um cronograma materialmente mais curto sem sacrificar a defensabilidade diante da agência.

No Quantus construímos exatamente sobre essa lógica: usar a automação para comprimir as etapas onde a evidência respalda a economia, mantendo o conhecimento especializado de market access e HEOR e a validação humana no centro. O objetivo não é produzir dossiês mais rápido por esporte, mas acelerar o acesso real dos produtos do cliente ao mercado, sem colocar em risco a qualidade que a agência vai examinar.

Referências

IntuitionLabs. HTA Dossiers: A Guide to Submissions for NICE, CADTH & ICER. 2026. Disponível em: https://intuitionlabs.ai/articles/hta-dossier-submission-guide
Costello Medical. The Critical Role of the Global Value Dossier in EU Joint Clinical Assessment. 2025. Disponível em: 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). Disponível em: 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). Disponível em: 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. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1098301525023356
NICE. Use of AI in evidence generation: NICE position statement (ECD11). 2024. Disponível em: https://www.nice.org.uk/corporate/ecd11