As equipes de market access na America Latina passam entre quatro e oito meses construindo a evidencia que um pagador vai avaliar em vinte minutos. Este artigo descreve o framework pratico — com passos concretos, benchmarks documentados e ferramentas disponiveis hoje — para comprimir esse processo sem sacrificar o rigor metodologico.

Uma empresa farmaceutica que chega ao pagador com evidencia solida dois meses antes do seu concorrente nao tem uma vantagem marginal — tem acesso ao mercado e o concorrente nao. Na America Latina, onde as janelas de avaliacao HTA sao mais estreitas e menos frequentes do que na Europa, a velocidade de preparacao de evidencia e uma variavel estrategica, nao operacional. A IA generativa esta transformando essa variavel em uma vantagem alcancavel para qualquer equipe que saiba como usa-la.

Este nao e um artigo sobre o futuro da IA na industria farmaceutica. E um guia pratico sobre o que pode ser feito hoje para reduzir o tempo de preparacao de evidencia HTA — com metodologia verificavel, resultados documentados e passos implementaveis em qualquer equipe de market access na LATAM.

O que este artigo cobre

(1) Por que o processo tradicional de preparacao de evidencia HTA demora tanto. (2) Quais sao os gargalos especificos onde a IA tem maior impacto. (3) Um framework de cinco passos para implementar IA no processo de evidencia HTA sem comprometer o rigor metodologico. (4) Os frameworks de validacao que as agencias HTA aceitam. E (5) como isso se traduz na pratica para equipes que operam em multiplos mercados da LATAM simultaneamente.

1. O problema real: quatro a oito meses para chegar ao pagador

Construir um pacote de evidencia HTA completo — desde a revisao sistematica ate o modelo de custo-efetividade adaptado ao mercado local — leva entre quatro e oito meses com metodos tradicionais. Esse nao e o tempo que o pagador precisa para avaliar a evidencia. E o tempo que a equipe precisa para prepara-la.

O problema tem tres raizes estruturais bem identificadas, e cada uma tem uma solucao especifica com IA:

Gargalo	Causa	Tempo tipico	Solucao com IA
Revisao sistematica de literatura	Triagem manual de milhares de referencias por revisores especialistas	3–6 semanas	Triagem automatizada reduz para 2–4 dias com precisao igual ou superior
Construcao do modelo economico	Programacao em Excel/VBA, calibracao, analise de sensibilidade	4–6 semanas	IA replica modelos publicados com erro inferior a 1% e adapta a parametros locais em 2–5 dias
Narrativa do value dossier	Redacao iterativa, multiplas rodadas de revisao interna	6–12 semanas	IA gera primeiros rascunhos; 80% nao requerem edicao significativa
Adaptacao a multiplos mercados LATAM	Processo sequencial: um pais por vez	2–4 sem./pais	Adaptacoes em paralelo: 7 paises em 2–5 semanas no total

O custo que ninguem contabiliza

As empresas medem o custo do processo de evidencia HTA em honorarios de consultoria e horas da equipe interna. Mas o custo mais alto e o que nao aparece em nenhuma fatura: cada mes de atraso na obtencao de acesso ao mercado representa receitas nao realizadas e, em indicacoes criticas, pacientes sem tratamento. Para um medicamento com vendas projetadas de USD $10M/ano na LATAM, dois meses de atraso sao USD $1.7M que nunca se recuperam.

2. Os cinco passos do processo acelerado com IA

Este e o framework que separa as equipes que usam IA de forma eficaz daquelas que a usam de forma frustrante. A diferenca nao esta na tecnologia — esta na sequencia e em saber o que um humano valida e o que nao.

Passo 1: Definir o protocolo antes de usar a IA

O erro mais comum e comecar a usar IA sem um protocolo de revisao definido. Antes de qualquer busca de literatura ou modelagem, a equipe deve estabelecer: criterios PICO (populacao, intervencao, comparador, desfecho), fontes de dados a consultar, limiares de custo-efetividade do mercado-alvo e comparadores locais relevantes. A IA e tao boa quanto o protocolo que a orienta.

Passo 2: Triagem de literatura com IA supervisionada

Usar ferramentas de IA para o primeiro nivel de triagem (titulo e resumo) reduz o tempo de 3–6 semanas para 2–4 dias com taxas de sensibilidade comparaveis as de revisores humanos. O especialista humano intervem no segundo nivel (leitura do texto completo) e na extracao de dados. Essa combinacao — IA para volume, humano para criterio — e onde esta o maior impacto de eficiencia.

Passo 3: Adaptar o modelo economico ao mercado local

Em vez de construir o modelo do zero, a pratica mais eficiente e partir de um modelo de custo-efetividade ja publicado ou validado e usar IA para adapta-lo aos parametros locais: PIB per capita do mercado, custos unitarios do sistema de saude (SIGTAP no Brasil, Manual ISS na Colombia, Cuadro Basico IMSS no Mexico), epidemiologia local e comparadores disponiveis no formulario. O GPT-4 replicou modelos publicados com margem de erro inferior a 1% em menos de 15 minutos.

Passo 4: Construir a narrativa do dossier com coautoria de IA

As secoes mais extensas do dossier — panorama da doenca, descricao da evidencia clinica, desfechos reportados por pacientes — sao tambem as que mais se beneficiam da IA. O ISPOR Working Group documentou que 80% dos rascunhos de Disease Overview gerados por IA nao exigiram edicao significativa. O especialista revisa, valida e ajusta o tom para a audiencia especifica (pagador publico vs. comite privado vs. agencia HTA).

Passo 5: Validar com frameworks metodologicos antes da submissao

Antes de apresentar qualquer evidencia a uma agencia HTA, verificar o cumprimento do ELEVATE-GenAI (transparencia e rastreabilidade do uso de LLMs) e do CHEERS-AI (relatorio do modelo economico). Documentar o que a IA gerou e o que o especialista validou. Esse registro e o que diferencia uma submissao aceitavel de uma rejeitada por falta de transparencia metodologica.

5 passos

Framework de implementacao

Do protocolo a submissao: definir criterios, triagem com IA, adaptar modelo, coautoria de narrativa e validacao metodologica.

3. Benchmarks documentados: o que ja e possivel hoje

Estes nao sao projecoes. Sao resultados publicados ou reportados por organizacoes verificaveis:

Processo	Antes	Com IA	Fonte verificavel
Triagem de revisao sistematica	3–6 semanas (1 revisor)	2–4 dias (~80% menos)	Blaizot et al., J Med Internet Res, 2024
Secao Disease Overview do GVD	3–4 semanas	1–2 semanas (80% sem edicao)	ISPOR Annual Meeting, Montreal 2025
Adaptacao do modelo ICER ao mercado local	4–6 semanas	2–5 dias (erro inferior a 1%)	Axtria / idalab, White paper ISPOR 2025
GVD completo	4–8 meses	6–8 semanas (60% menos)	idalab EPRI Tool, 2024
Adaptacao a 7 mercados LATAM em paralelo	14–28 semanas (sequencial)	2–5 semanas (paralelo)	ISPOR / Agilisium reports, 2025

4. O que muda para equipes que operam em multiplos mercados da LATAM

Para as empresas que precisam adaptar sua evidencia HTA ao Brasil, Colombia, Mexico, Argentina, Chile, Peru e outros mercados simultaneamente, o impacto da IA nao e linear — e multiplicativo.

Com o processo tradicional, a adaptacao e sequencial: um pais por vez, com consultorias diferentes, cronogramas diferentes, revisoes diferentes. Com IA, a adaptacao pode ser feita em paralelo: o mesmo modelo base, os mesmos criterios metodologicos, adaptados aos parametros locais de cada mercado ao mesmo tempo.

Cenario	Processo tradicional	Com IA	Diferenca
Adaptar modelo ICER ao Brasil + Colombia + Mexico	12–18 semanas (sequencial)	1–2 semanas (paralelo)	10–16 semanas de vantagem
Revisao sistematica para 2 indicacoes	6–12 semanas	4–8 dias	~80% de reducao
GVD base + 5 adaptacoes locais	12–18 meses	3–5 meses	60–70% de reducao
Equipe necessaria para o mesmo output	8–12 pessoas	3–4 pessoas + IA	Custo reduzido, capacidade ampliada

A vantagem competitiva que nao se recupera

Nos mercados da LATAM, as janelas de avaliacao HTA sao especificas e nem sempre anuais. Uma empresa que chega a CONITEC no ciclo correto com evidencia completa e bem adaptada obtem acesso. A que chega dois meses atrasada espera o proximo ciclo. A IA nao e uma vantagem marginal nesse contexto — e a diferenca entre acesso e espera.

5. O framework de validacao: como garantir que as agencias HTA aceitem a evidencia

A pergunta que mais ouvimos das equipes de market access quando consideram implementar IA no seu processo de evidencia e: vai passar pelo escrutinio da CONITEC, do IETS ou da CENETEC?

A resposta curta e sim — se for documentado corretamente. A resposta longa tem tres componentes:

5.1 O principio de equivalencia metodologica

Nenhuma agencia HTA da America Latina publicou diretrizes especificas sobre IA. O que elas estabeleceram — CONITEC, IETS, CENETEC — sao criterios de qualidade metodologica para a evidencia que recebem. Um dossier construido com IA que cumpra esses criterios metodologicos sera avaliado exatamente da mesma forma que um construido sem IA. O problema nao e o uso de IA — e o uso de IA sem documentacao do processo.

5.2 Os frameworks que as agencias internacionais ja reconhecem

O NICE (UK) estabeleceu em agosto de 2025 que o uso de IA em processos HTA deve ser declarado, transparente e reproduzivel. Os frameworks ELEVATE-GenAI e CHEERS-AI fornecem a linguagem metodologica para fazer essa declaracao de modo que as agencias possam verifica-la. Usar esses frameworks nao e burocracia — e a garantia de que a evidencia vai passar pelo escrutinio.

5.3 A documentacao que deve acompanhar cada submissao

Declarar no dossier que ferramentas de IA foram utilizadas no processo de construcao.
Especificar quais secoes ou etapas utilizaram IA e quais foram validadas por especialista humano.
Documentar a engenharia de prompts utilizada para as secoes-chave (especialmente a revisao sistematica e o modelo economico).
Incluir o checklist ELEVATE-GenAI como apendice se a agencia solicitar.
Garantir que o especialista metodologico assine e valide o output final — a responsabilidade pelo conteudo e da equipe, nao da IA.

Principio-chave

A IA no processo de evidencia HTA nao reduz o padrao metodologico — o que reduz e o tempo necessario para alcanca-lo. Um dossier construido com IA sob os frameworks ELEVATE-GenAI e CHEERS-AI atende aos mesmos criterios de qualidade de um construido com metodos tradicionais, mas em uma fracao do tempo.

Perguntas frequentes

Por onde comecar se minha equipe nunca usou IA no processo de evidencia HTA?

O ponto de entrada mais eficiente e a revisao sistematica de literatura — especificamente o processo de triagem de titulo e resumo. E o passo mais mecanico do processo, o que consome mais tempo e o que tem a curva de aprendizado mais baixa para a IA. Uma vez que a equipe entende como funciona a supervisao de outputs de IA nesse contexto, estender a metodologia ao modelo economico e ao dossier e natural.

Qual nivel de experiencia tecnica a equipe precisa para implementar essas ferramentas?

Nao e necessaria experiencia em programacao nem em machine learning. O que e necessario e: (1) experiencia metodologica em HEOR — para poder avaliar criticamente os outputs da IA; (2) capacidade de engenharia de prompts basica — formular instrucoes precisas para o modelo; e (3) familiaridade com os frameworks de validacao (ELEVATE-GenAI, CHEERS-AI). O perfil ideal e um gestor de HEOR com experiencia em revisoes sistematicas e modelagem economica que aprende a trabalhar com IA como coautor, nao como substituto.

E possivel usar IA no processo de evidencia HTA com as ferramentas disponiveis hoje?

Sim, com nuances. Ferramentas como GPT-4, Gemini ou Claude podem ser utilizadas para triagem de literatura, rascunhos de secoes do dossier e adaptacao de modelos economicos com o protocolo correto. No entanto, as plataformas especializadas em market access oferecem vantagens significativas: fluxos de trabalho pre-configurados para as etapas do GVD, documentacao automatica do processo para cumprir o ELEVATE-GenAI, e parametros economicos dos mercados da LATAM pre-carregados para adaptacao local eficiente.

Quanto tempo leva para implementar esse processo em uma equipe que comeca do zero?

A implementacao basica — triagem de literatura com IA supervisionada — pode estar operacional em duas a quatro semanas. A implementacao completa — incluindo modelagem economica e construcao de dossier — requer entre seis e doze semanas, dependendo da curva de aprendizado da equipe e da complexidade da indicacao. O fator critico nao e o tempo de implementacao, mas a disposicao da equipe em mudar o processo, nao apenas a ferramenta.

Como medir o retorno sobre investimento de implementar IA no processo de evidencia HTA?

Ha tres metricas diretas: (1) reducao em semanas do ciclo de preparacao de evidencia — impacto direto em quando se chega ao mercado; (2) reducao no custo de consultoria externa — especialmente em revisoes sistematicas e adaptacoes locais; e (3) numero de mercados que podem ser trabalhados simultaneamente com a mesma equipe. O ROI mais dificil de quantificar, mas o mais importante, e o que vem de chegar ao pagador no ciclo de avaliacao correto versus ter que esperar o proximo.

Conclusao: a velocidade em evidencia HTA ja nao e um luxo

Na America Latina, as equipes de market access com os melhores recursos metodologicos nem sempre sao as que obtem acesso. As que obtem acesso sao aquelas que chegam com a evidencia certa no momento certo. A IA nao muda o que e evidencia de qualidade — muda quanto tempo leva para produzi-la.

$1.7M

Custo de 2 meses de atraso

Para um medicamento com vendas projetadas de USD $10M/ano na LATAM, dois meses de atraso representam receitas que nunca se recuperam — alem dos pacientes sem acesso ao tratamento.

Uma reducao de 60% no tempo de preparacao de dossier nao e um ajuste operacional. E a diferenca entre entrar no ciclo de avaliacao da CONITEC este ano ou no proximo. Entre adaptar o modelo a sete mercados simultaneamente ou faze-lo de forma sequencial durante 18 meses. Entre ter uma equipe de tres pessoas que produz o output de dez, ou precisar de dez pessoas para competir com quem ja tem tres e IA.

Os frameworks metodologicos que as agencias HTA reconhecem ja existem. Os benchmarks de eficiencia ja estao documentados. A pergunta nao e se a sua equipe vai implementar IA no processo de evidencia HTA. E se vai faze-lo antes ou depois do seu concorrente.