Cómo reducir de meses a días la preparación de evidencia HTA para payers usando IA
Los equipos de market access en América Latina pasan entre cuatro y ocho meses construyendo la evidencia que un payer va a evaluar en veinte minutos. Este artículo describe el marco práctico — con pasos concretos, benchmarks documentados y herramientas disponibles hoy — para comprimir ese proceso sin sacrificar rigor metodológico.
Una compañía farmacéutica que llega al payer con evidencia sólida dos meses antes que su competidor no tiene una ventaja marginal — tiene acceso al mercado y su competidor no. En América Latina, donde las ventanas de evaluación HTA son más estrechas y menos frecuentes que en Europa, la velocidad de preparación de evidencia es una variable estratégica, no operativa. La IA generativa está convirtiendo esa variable en una ventaja alcanzable para cualquier equipo que sepa cómo usarla.
Este no es un artículo sobre el futuro de la IA en pharma. Es una guía práctica sobre lo que puede hacerse hoy para reducir el tiempo de preparación de evidencia HTA — con metodología verificable, resultados documentados y pasos implementables en cualquier equipo de market access en LATAM.
Lo que este artículo cubre
(1) Por qué el proceso tradicional de preparación de evidencia HTA tarda tanto. (2) Cuáles son los cuellos de botella específicos donde la IA tiene mayor impacto. (3) Un marco de cinco pasos para implementar IA en el proceso de evidencia HTA sin comprometer el rigor metodológico. (4) Los frameworks de validación que las agencias HTA aceptan. Y (5) cómo se ve esto en la práctica para equipos que operan en múltiples mercados de LATAM simultáneamente.
1. El problema real: cuatro a ocho meses para llegar al payer
Construir un paquete de evidencia HTA completo — desde la revisión sistemática hasta el modelo de costo-efectividad adaptado al mercado local — toma entre cuatro y ocho meses con métodos tradicionales. Ese no es el tiempo que el payer necesita para evaluar la evidencia. Es el tiempo que el equipo necesita para prepararla.
El problema tiene tres raíces estructurales bien identificadas, y cada una tiene una solución específica con IA:
| Cuello de botella | Causa | Tiempo típico | Solución con IA |
|---|---|---|---|
| Revisión sistemática de literatura | Screening manual de miles de referencias por revisores expertos | 3–6 semanas | Screening automatizado reduce a 2–4 días con igual o mayor precisión |
| Construcción del modelo económico | Programación en Excel/VBA, calibración, análisis de sensibilidad | 4–6 semanas | IA replica modelos publicados con error inferior al 1% y adapta a parámetros locales en 2–5 días |
| Narrativa del value dossier | Redacción iterativa, múltiples rondas de revisión interna | 6–12 semanas | IA genera primeros borradores; 80% no requieren edición significativa |
| Adaptación a múltiples mercados LATAM | Proceso secuencial: un país a la vez | 2–4 sem./país | Adaptaciones en paralelo: 7 países en 2–5 semanas totales |
El costo que nadie contabiliza
Las compañías miden el costo del proceso de evidencia HTA en honorarios de consultoría y horas de equipo interno. Pero el costo más alto es el que no aparece en ninguna factura: cada mes de retraso en la obtención de acceso al mercado representa ingresos no realizados y, en indicaciones críticas, pacientes sin tratamiento. Para un medicamento con ventas proyectadas de USD $10M/año en LATAM, dos meses de retraso son USD $1.7M que nunca se recuperan.
2. Los cinco pasos del proceso acelerado con IA
Este es el marco que separa a los equipos que usan IA de manera efectiva de los que la usan de manera frustrante. La diferencia no está en la tecnología — está en la secuencia y en saber qué valida un humano y qué no.
Paso 1: Definir el protocolo antes de tocar la IA
El error más común es comenzar a usar IA sin un protocolo de revisión definido. Antes de cualquier búsqueda de literatura o modelamiento, el equipo debe establecer: criterios PICO (población, intervención, comparador, outcome), fuentes de datos a consultar, umbrales de costo-efectividad del mercado objetivo y comparadores locales relevantes. La IA es tan buena como el protocolo que la guía.
Paso 2: Screening de literatura con IA supervisada
Usar herramientas de IA para el primer nivel de screening (título y abstract) reduce el tiempo de 3–6 semanas a 2–4 días con tasas de sensibilidad comparables a las de revisores humanos. El experto humano interviene en el segundo nivel (lectura de texto completo) y en la extracción de datos. Esa combinación — IA para volumen, humano para criterio — es donde está el mayor impacto de eficiencia.
Paso 3: Adaptar el modelo económico al mercado local
En lugar de construir el modelo desde cero, la práctica más eficiente es partir de un modelo de costo-efectividad ya publicado o validado y usar IA para adaptarlo a los parámetros locales: PIB per cápita del mercado, costos unitarios del sistema de salud (SIGTAP en Brasil, Manual ISS en Colombia, Cuadro Básico IMSS en México), epidemiología local y comparadores disponibles en formulario. GPT-4 ha replicado modelos publicados con margen de error inferior al 1% en menos de 15 minutos.
Paso 4: Construir la narrativa del dossier con co-autoría IA
Las secciones más extensas del dossier — panorama de la enfermedad, descripción de la evidencia clínica, resultados reportados por pacientes — son también las que más se benefician de la IA. El ISPOR Working Group documentó que el 80% de los borradores de Disease Overview generados por IA no requirieron edición significativa. El experto revisa, valida y ajusta el tono para la audiencia específica (pagador público vs. comité privado vs. agencia HTA).
Paso 5: Validar con frameworks metodológicos antes de la submission
Antes de presentar cualquier evidencia a una agencia HTA, verificar cumplimiento con ELEVATE-GenAI (transparencia y trazabilidad del uso de LLMs) y CHEERS-AI (reporte del modelo económico). Documentar qué generó la IA y qué validó el experto. Ese registro es lo que diferencia una submission aceptable de una rechazada por falta de transparencia metodológica.
5 pasos
Marco de implementación
De protocolo a submission: definir criterios, screening con IA, adaptar modelo, co-autoría de narrativa y validación metodológica.
3. Benchmarks documentados: lo que ya es posible hoy
Estos no son proyecciones. Son resultados publicados o reportados por organizaciones verificables:
| Proceso | Antes | Con IA | Fuente verificable |
|---|---|---|---|
| Screening revisión sistemática | 3–6 semanas (1 revisor) | 2–4 días (~80% menos) | Blaizot et al., J Med Internet Res, 2024 |
| Sección Disease Overview del GVD | 3–4 semanas | 1–2 semanas (80% sin edición) | ISPOR Annual Meeting, Montreal 2025 |
| Adaptación modelo ICER a mercado local | 4–6 semanas | 2–5 días (error inferior al 1%) | Axtria / idalab, White paper ISPOR 2025 |
| GVD completo | 4–8 meses | 6–8 semanas (60% menos) | idalab EPRI Tool, 2024 |
| Adaptación a 7 mercados LATAM en paralelo | 14–28 semanas (secuencial) | 2–5 semanas (paralelo) | ISPOR / Agilisium reports, 2025 |
4. Lo que cambia para los equipos que operan en múltiples mercados de LATAM
Para las compañías que necesitan adaptar su evidencia HTA a Brasil, Colombia, México, Argentina, Chile, Perú y otros mercados simultáneamente, el impacto de la IA no es lineal — es multiplicativo.
Con el proceso tradicional, la adaptación es secuencial: un país a la vez, con consultoras distintas, cronogramas distintos, revisiones distintas. Con IA, la adaptación puede hacerse en paralelo: el mismo modelo base, los mismos criterios metodológicos, adaptados a los parámetros locales de cada mercado al mismo tiempo.
| Escenario | Proceso tradicional | Con IA | Diferencia |
|---|---|---|---|
| Adaptar modelo ICER a Brasil + Colombia + México | 12–18 semanas (secuencial) | 1–2 semanas (paralelo) | 10–16 semanas de ventaja |
| Revisión sistemática para 2 indicaciones | 6–12 semanas | 4–8 días | ~80% de reducción |
| GVD base + 5 adaptaciones locales | 12–18 meses | 3–5 meses | 60–70% de reducción |
| Equipo necesario para el mismo output | 8–12 personas | 3–4 personas + IA | Costo reducido, capacidad ampliada |
La ventaja competitiva que no se recupera
En los mercados de LATAM, las ventanas de evaluación HTA son específicas y no siempre anuales. Una compañía que llega a CONITEC en el ciclo correcto con evidencia completa y bien adaptada obtiene acceso. La que llega dos meses tarde espera el siguiente ciclo. La IA no es una ventaja marginal en este contexto — es la diferencia entre acceso y espera.
5. El marco de validación: cómo asegurarse de que las agencias HTA acepten la evidencia
La pregunta que más escuchamos de los equipos de market access cuando consideran implementar IA en su proceso de evidencia es: ¿va a pasar el escrutinio de CONITEC, IETS o CENETEC?
La respuesta corta es sí — si se documenta correctamente. La respuesta larga tiene tres componentes:
5.1 El principio de equivalencia metodológica
Ninguna agencia HTA de América Latina ha publicado lineamientos específicos sobre IA. Lo que sí han establecido — CONITEC, IETS, CENETEC — son criterios de calidad metodológica para la evidencia que reciben. Un dossier construido con IA que cumpla esos criterios metodológicos será evaluado exactamente igual que uno construido sin IA. El problema no es el uso de IA — es el uso de IA sin documentación del proceso.
5.2 Los frameworks que las agencias internacionales ya reconocen
NICE (UK) estableció en agosto de 2025 que el uso de IA en procesos HTA debe ser declarado, transparente y reproducible. Los frameworks ELEVATE-GenAI y CHEERS-AI proveen el lenguaje metodológico para hacer esa declaración de manera que las agencias puedan verificarla. Usar estos frameworks no es burocracia — es la garantía de que la evidencia va a pasar el escrutinio.
5.3 La documentación que debe acompañar cada submission
- Declarar en el dossier que se utilizaron herramientas de IA en el proceso de construcción.
- Especificar qué secciones o pasos utilizaron IA y cuáles fueron validados por experto humano.
- Documentar el prompt engineering utilizado para las secciones clave (especialmente la revisión sistemática y el modelo económico).
- Incluir el checklist ELEVATE-GenAI como apéndice si la agencia lo solicita.
- Asegurarse de que el experto metodológico firma y valida el output final — la responsabilidad del contenido recae en el equipo, no en la IA.
Principio clave
La IA en el proceso de evidencia HTA no reduce el estándar metodológico — lo que reduce es el tiempo necesario para alcanzarlo. Un dossier construido con IA bajo frameworks ELEVATE-GenAI y CHEERS-AI cumple los mismos criterios de calidad que uno construido con métodos tradicionales, pero en una fracción del tiempo.
Preguntas frecuentes
¿Por dónde empezar si mi equipo nunca ha usado IA en el proceso de evidencia HTA?
El punto de entrada más eficiente es la revisión sistemática de literatura — específicamente el proceso de screening de título y abstract. Es el paso más mecánico del proceso, el que consume más tiempo y el que tiene la curva de aprendizaje más baja para la IA. Una vez que el equipo entiende cómo funciona la supervisión de outputs de IA en ese contexto, extender la metodología al modelo económico y al dossier es natural.
¿Qué nivel de experiencia técnica necesita el equipo para implementar estas herramientas?
No se necesita experiencia en programación ni en machine learning. Lo que sí se necesita es: (1) experiencia metodológica en HEOR — para poder evaluar críticamente los outputs de la IA; (2) capacidad de prompt engineering básico — formular instrucciones precisas para el modelo; y (3) familiaridad con los frameworks de validación (ELEVATE-GenAI, CHEERS-AI). El perfil ideal es un HEOR manager con experiencia en revisiones sistemáticas y modelamiento económico que aprende a trabajar con IA como co-autor, no como reemplazante.
¿Es posible usar IA en el proceso de evidencia HTA con las herramientas disponibles hoy?
Sí, con matices. Herramientas como GPT-4, Gemini o Claude pueden utilizarse para screening de literatura, borradores de secciones de dossier y adaptación de modelos económicos con el protocolo correcto. Sin embargo, las plataformas especializadas en market access ofrecen ventajas significativas: flujos de trabajo pre-configurados para los pasos del GVD, documentación automática del proceso para cumplir ELEVATE-GenAI, y parámetros económicos de los mercados de LATAM pre-cargados para adaptación local eficiente.
¿Cuánto tiempo tarda implementar este proceso en un equipo que parte desde cero?
La implementación básica — screening de literatura con IA supervisada — puede estar operativa en dos a cuatro semanas. La implementación completa — incluyendo modelamiento económico y construcción de dossier — requiere entre seis y doce semanas, dependiendo de la curva de aprendizaje del equipo y la complejidad de la indicación. El factor crítico no es el tiempo de implementación sino la disposición del equipo a cambiar el proceso, no solo la herramienta.
¿Cómo se mide el retorno de inversión de implementar IA en el proceso de evidencia HTA?
Hay tres métricas directas: (1) reducción en semanas del ciclo de preparación de evidencia — impacto directo en cuándo se llega al mercado; (2) reducción en costo de consultoría externa — especialmente en revisiones sistemáticas y adaptaciones locales; y (3) número de mercados que se pueden trabajar simultáneamente con el mismo equipo. El ROI más difícil de cuantificar pero más importante es el que viene de llegar al payer en el ciclo de evaluación correcto versus tener que esperar el siguiente.
Conclusión: la velocidad en evidencia HTA ya no es un lujo
En América Latina, los equipos de market access con los mejores recursos metodológicos no siempre son los que obtienen acceso. Los que obtienen acceso son los que llegan con la evidencia correcta en el momento correcto. La IA no cambia qué es evidencia de calidad — cambia cuánto tiempo toma producirla.
$1.7M
Costo de 2 meses de retraso
Para un medicamento con ventas proyectadas de USD $10M/año en LATAM, dos meses de retraso representan ingresos que nunca se recuperan — más los pacientes sin acceso al tratamiento.
Un 60% de reducción en tiempo de preparación de dossier no es un ajuste operativo. Es la diferencia entre entrar al ciclo de evaluación de CONITEC este año o el próximo. Entre adaptar el modelo a siete mercados simultáneamente o hacerlo de manera secuencial durante 18 meses. Entre tener un equipo de tres personas que produce el output de diez, o necesitar diez personas para competir con quien ya tiene tres y IA.
Los frameworks metodológicos que las agencias HTA reconocen ya existen. Los benchmarks de eficiencia ya están documentados. La pregunta no es si su equipo va a implementar IA en el proceso de evidencia HTA. Es si lo va a hacer antes o después que su competidor.