Cómo la IA Permite Identificar a los Pacientes Adecuados para cada Tratamiento
A lo largo de los años, el reclutamiento de pacientes se ha consolidado como uno de los mayores desafíos para los equipos de investigación. Las bajas tasas de enrolamiento no solo generan retrasos significativos, sino que también incrementan los costos y ralentizan el avance de la innovación médica.
De hecho, se estima que más del 80% de los ensayos clínicos no logran cumplir con sus plazos iniciales de reclutamiento. Este problema recurrente plantea una pregunta clave:
¿Cómo puede la inteligencia artificial (IA), con sus capacidades cada vez más avanzadas, ayudar a reclutar la cantidad necesaria de participantes en el tiempo adecuado?
En este artículo, exploramos en profundidad cómo la IA está transformando este proceso, a través de aplicaciones de alto impacto que permiten diseñar estrategias de reclutamiento y retención de pacientes mucho más eficientes.
Cómo ha evolucionado el reclutamiento de pacientes en los últimos años
El reclutamiento de pacientes es un factor clave para garantizar la validez de los ensayos clínicos. Sin una cantidad suficiente de participantes que cumplan con los criterios establecidos, los estudios corren el riesgo de sufrir retrasos costosos o incluso de ser cancelados de forma prematura, tras años de inversión inicial.
Hace poco más de una década, el panorama era especialmente complejo: un estudio reveló que el 11% de los centros de ensayos clínicos no lograban reclutar ni un solo paciente, mientras que el 37% no alcanzaba el número necesario de participantes. Sin embargo, la situación ha comenzado a mostrar una mejora progresiva en los últimos años.
Si bien los problemas de enrolamiento siguen siendo una de las principales causas de finalización anticipada de ensayos clínicos, distintos análisis —como los de Clinical Trials Arena— indican que la cantidad de estudios que terminan debido a dificultades en el reclutamiento ha ido disminuyendo. De hecho, entre 2010 y 2021 se registró una tendencia sostenida a la baja en las cancelaciones vinculadas a problemas de enrolamiento (ver Fig. 1).
En respuesta a estos desafíos, la industria farmacéutica, los organismos regulatorios y las instituciones académicas han impulsado esfuerzos conjuntos para mejorar las estrategias de reclutamiento y aprovechar los avances tecnológicos disponibles. En este contexto, la adopción masiva de los ensayos clínicos descentralizados (DCTs) ha marcado un antes y un después.
El uso de DCTs ha reducido significativamente la carga sobre los participantes, al tiempo que ha ampliado el acceso a los estudios clínicos. Esto es posible gracias a herramientas como el monitoreo remoto, la telemedicina y las tecnologías de salud móvil. Como resultado, no solo se facilita el proceso de reclutamiento, sino que también se incrementan las tasas de retención, ya que los pacientes tienden a mantenerse más comprometidos cuando la participación es más cómoda y accesible.
Además, la integración de plataformas digitales y redes sociales ha transformado por completo la forma en que se lleva a cabo el reclutamiento en ensayos clínicos. Hoy, sponsors e investigadores pueden apoyarse en analítica de datos y estrategias de publicidad segmentada para identificar y alcanzar potenciales participantes de manera mucho más precisa.
Estas estrategias de reclutamiento dirigidas han demostrado ser más eficientes y rentables en comparación con los métodos tradicionales offline, como las derivaciones médicas, tal como destacan diversos estudios.
Principales desafíos en el reclutamiento de pacientes
A pesar de los avances impulsados por nuevas tecnologías y enfoques más innovadores, el reclutamiento de pacientes sigue enfrentando varios desafíos clave:
Sobreestimación de la población elegible
Los ensayos clínicos suelen basarse en estimaciones optimistas sobre la cantidad de pacientes disponibles. Factores como bases de datos desactualizadas, limitaciones logísticas o criterios de inclusión poco precisos hacen que el número real de participantes sea menor al esperado, lo que retrasa los tiempos del estudio.
Falta de awareness y educación del paciente
Muchos potenciales participantes desconocen la existencia de ensayos clínicos o no comprenden en qué consisten. Además, pueden existir temores sobre los riesgos, lo que hace fundamental contar con estrategias de comunicación claras y efectivas.
Barreras logísticas
La concentración de centros de investigación en grandes ciudades limita el acceso a pacientes de zonas rurales o remotas. Si bien los enfoques descentralizados ayudan, aún existen desafíos operativos y regulatorios.
Carga para el participante y baja retención
Visitas frecuentes, procesos complejos y estudios prolongados pueden desincentivar la participación o generar abandono, afectando la calidad del ensayo.
Competencia por pacientes
La creciente cantidad de ensayos clínicos genera competencia por el mismo grupo de participantes, especialmente en áreas terapéuticas específicas.
En este contexto, el proceso de reclutamiento suele representarse como un “funnel” o embudo, que refleja cómo los participantes se van perdiendo en cada etapa: desde la población inicial estimada hasta aquellos que finalmente completan el estudio.
Como señala Pascale Wermuth en su investigación, incluso después de la fase de randomización, las altas tasas de abandono siguen representando una amenaza para la integridad de los ensayos clínicos. A medida que aumenta la duración de los estudios, también lo hace el dropout, lo que puede debilitar la capacidad del ensayo para obtener resultados significativos.
Además, el número de pacientes reclutados está fuertemente condicionado por la naturaleza y la gravedad de la enfermedad. Por ejemplo, en 2021, un Chief Medical Officer de una empresa biotecnológica destacó que menos del 10% de los pacientes oncológicos participaban en ensayos clínicos.
En particular, el área de oncología se destaca como uno de los sectores más afectados, donde muchos estudios se interrumpen prematuramente debido a la falta de participantes. Una situación similar se observa en enfermedades del sistema nervioso central y en patologías cardiovasculares (ver Fig. 3).
Curiosamente, el reclutamiento de pacientes se vuelve más complejo a medida que avanzan las fases del ensayo clínico, debido a que los criterios de participación se vuelven cada vez más específicos.
En la fase I, que suele involucrar voluntarios sanos y criterios más amplios, las barreras de ingreso son relativamente bajas. Sin embargo, en la fase II, donde el fármaco se prueba por primera vez en pacientes reales, el desafío aumenta considerablemente. Esto se debe a la necesidad de aplicar criterios mucho más estrictos, que garanticen tanto la seguridad de los participantes como una evaluación precisa de los efectos del tratamiento en una población específica.
Este punto representa uno de los momentos más críticos del ensayo, ya que existe un alto riesgo de interrupción prematura: casi el 53% de los ensayos clínicos finalizan en fase II debido a dificultades en el reclutamiento de pacientes (ver Fig. 4).
Estrategias impulsadas por IA para abordar el bajo reclutamiento
Como una fuerza emergente dentro del sector healthcare y farmacéutico, la IA generativa tiene el potencial de transformar el reclutamiento de pacientes y acelerar significativamente el desarrollo de nuevas terapias e intervenciones.
Según estimaciones de McKinsey & Company, la adopción de estas tecnologías podría generar un impacto económico de entre 13.000 y 25.000 millones de dólares en el desarrollo clínico dentro de la industria farmacéutica. A futuro, este valor podría escalar hasta alcanzar un beneficio total de 110.000 millones de dólares (ver Fig. 5).
Más allá del impacto financiero, el verdadero valor de la IA radica en su capacidad para optimizar procesos clave, mejorar la precisión en la selección de pacientes y reducir significativamente los tiempos de reclutamiento.
Predicción de abandono y reducción de retrasos
El abandono de participantes durante un ensayo clínico puede generar demoras significativas y aumentar los costos. En este contexto, el machine learning permite analizar datos históricos para identificar patrones asociados a la deserción, como largas distancias al centro de estudio, tratamientos complejos o falta de soporte.
Gracias a esta capacidad predictiva, los equipos pueden implementar acciones concretas para mejorar la retención, como ofrecer monitoreo remoto o incentivos logísticos para los pacientes.
Además, la IA no solo ayuda a anticipar el abandono, sino también posibles cuellos de botella en el proceso de reclutamiento, permitiendo ajustar estrategias a tiempo y mantener el cumplimiento de los plazos del ensayo.
Conclusión
Un futuro en el que la inteligencia artificial redefine el reclutamiento de pacientes y permite extraer insights más profundos a partir de datos médicos ya no es ciencia ficción, sino una realidad cada vez más cercana.
Desde la planificación de los estudios hasta el enrolamiento y la retención de participantes, la IA ofrece múltiples oportunidades para transformar los ensayos clínicos y hacerlos más eficientes, precisos y centrados en el paciente. En este contexto, la colaboración entre investigadores, compañías farmacéuticas y organismos regulatorios resulta clave para impulsar esta evolución.
Hoy más que nunca, es el momento de explorar nuevas posibilidades.
Construí las bases de tu estrategia de IA junto a Avenga. A través de una colaboración sólida, podés preparar a tu organización para el futuro, impulsar la innovación y fortalecer su resiliencia a largo plazo.
👉 Conocé más en https://www.avenga.com o ponete en contacto con su equipo para empezar a transformar tus iniciativas digitales.
