Artículo
El potencial transformador de la IA para apoyar la modelización económica de la salud
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Explore las aplicaciones de modelado habilitadas para IA de hoy en día, las limitaciones clave y lo que sigue para una generación de pruebas más ágil, transparente y lista para HTA.
La modelización económica ha sido durante mucho tiempo una piedra angular del acceso al mercado de la atención sanitaria, ya que proporciona el marco analítico para evaluar la rentabilidad, el impacto presupuestario y las estrategias de fijación de precios basadas en el valor. Sin embargo, a medida que el panorama de la atención médica se vuelve cada vez más complejo, se ha intensificado la demanda de procesos de modelado más ágiles, transparentes y eficientes. La inteligencia artificial (IA) emerge como una fuerza transformadora en este espacio, agilizando los flujos de trabajo, acelerando la toma de decisiones y mejorando la calidad de los datos.1
Comprender las aplicaciones actuales de la IA en la modelización económica, sus desafíos y limitaciones, y las oportunidades futuras es clave para determinar cómo la IA está remodelando la economía de la salud, y la industria puede aprovechar estos desarrollos al tiempo que cumple con las rigurosas expectativas de los pagadores y las agencias de evaluación de tecnologías sanitarias (HTA).
Aplicaciones actuales de la IA en la modelización económica
Aceleración de la conceptualización y el diseño de modelos
La IA está revolucionando las etapas iniciales de la modelización económica al permitir la creación rápida de prototipos de estructuras de modelos. 2 Tradicionalmente, los economistas de la salud a menudo se veían limitados por procesos intensivos en mano de obra que los encerraban en un solo diseño de modelo. Las herramientas de IA ahora permiten a los equipos probar múltiples estructuras de modelos simultáneamente, identificando las opciones más eficientes y creíbles para respaldar la historia de valor de un producto.
«Disponer de herramientas que nos permitan crear prototipos de modelos muy rápidamente nos permite comprender el diseño óptimo del modelo para los productos con el fin de identificar y respaldar la historia de valor», afirma Chris Poole, PhD, economista sénior de salud de Cencora.
Esta capacidad de probar diversos diseños de modelos en las primeras etapas del proceso respalda el objetivo de encontrar el equilibrio adecuado entre incertidumbre y complejidad y garantiza que la estructura elegida se alinee con las expectativas de los pagadores. Esto no solo supone un ahorro de tiempo, sino también un enorme ahorro de costes, ya que los retrasos en las presentaciones y el riesgo de que las agencias rechacen modelos complejos y poco justificados pueden costar millones a las empresas.
«Disponer de herramientas que nos permitan crear prototipos de modelos muy rápidamente nos permite comprender el diseño óptimo del modelo para los productos con el fin de identificar y respaldar la historia de valor», afirma Chris Poole, PhD, economista sénior de salud de Cencora.
Esta capacidad de probar diversos diseños de modelos en las primeras etapas del proceso respalda el objetivo de encontrar el equilibrio adecuado entre incertidumbre y complejidad y garantiza que la estructura elegida se alinee con las expectativas de los pagadores. Esto no solo supone un ahorro de tiempo, sino también un enorme ahorro de costes, ya que los retrasos en las presentaciones y el riesgo de que las agencias rechacen modelos complejos y poco justificados pueden costar millones a las empresas.
Llenar las lagunas de datos y mejorar la calidad de los datos
Las lagunas de datos son un reto persistente en la modelización económica, especialmente en el caso de las enfermedades raras o las terapias novedosas en las que no se dispone de datos, no hay datos suficientes o los datos disponibles no son de calidad suficiente. La IA está demostrando ser invaluable para consolidar fuentes de datos dispares y simular entradas faltantes. Por ejemplo, la IA puede digitalizar las curvas de Kaplan-Meier (KM) y generar datos individuales de los participantes para los análisis de supervivencia, lo que permite una parametrización más robusta de los datos de supervivencia.3
"Es asombroso que se pueda tomar una curva de KM publicada y mostrársela a una herramienta genAI con acceso a un contenedor de Python para ejecutar el código, y digitalizará la curva, escribirá el código y lo ejecutará para que pueda simular las poblaciones de datos de participantes individuales (IPD) que le habrían dado esa curva. ", dijo el Dr. Poole, basándose en su experiencia con herramientas de IA. "Es extraordinario. Lo mejor es que es fácil de validar, solo tienes que trabajar hacia atrás utilizando el IPD para generar la curva KM".
Esta capacidad reduce drásticamente el tiempo necesario para el análisis estadístico, lo que permite a los economistas de la salud centrarse en tareas de mayor valor. Sin embargo, garantizar la transparencia y la validez de las simulaciones de datos impulsadas por IA sigue siendo fundamental.
"Es asombroso que se pueda tomar una curva de KM publicada y mostrársela a una herramienta genAI con acceso a un contenedor de Python para ejecutar el código, y digitalizará la curva, escribirá el código y lo ejecutará para que pueda simular las poblaciones de datos de participantes individuales (IPD) que le habrían dado esa curva. ", dijo el Dr. Poole, basándose en su experiencia con herramientas de IA. "Es extraordinario. Lo mejor es que es fácil de validar, solo tienes que trabajar hacia atrás utilizando el IPD para generar la curva KM".
Esta capacidad reduce drásticamente el tiempo necesario para el análisis estadístico, lo que permite a los economistas de la salud centrarse en tareas de mayor valor. Sin embargo, garantizar la transparencia y la validez de las simulaciones de datos impulsadas por IA sigue siendo fundamental.
Optimización de la creación de informes
La IA también está transformando la forma en que se redactan los informes técnicos y otros documentos, como los informes del modelo de impacto presupuestario para los expedientes de la Academia de Farmacia de Atención Administrada. 4 Al automatizar tareas repetitivas como el formato y la integración de datos, la IA permite a los economistas de la salud dedicar más tiempo a garantizar que un modelo respalde mejor la historia de valor del producto.
El potencial de ahorro de mano de obra de la IA es digno de mención. Dentro de Cencora, por ejemplo, estamos construyendo sistemas internos de IA para redactar rápidamente numerosos tipos de informes con el objetivo de aplicar estos sistemas a nuestros propios informes de modelos económicos en un futuro próximo. No se trata solo de crear nuevos informes. La reutilización de contenidos entre diferentes agencias de HTA también está lista para la automatización.
"Muchas de estas plantillas del NICE (Instituto Nacional para la Excelencia en la Salud y la Atención) u otras agencias pueden estar estructuradas u ordenadas de manera diferente, pero la información necesaria para completarlas es idéntica", dijo Derek Swiger, PharmD, MS, experto en innovación digital en acceso al mercado y economía de la salud e investigación de resultados (HEOR). "Ciertamente podemos tomar prestada una página de lo que la gente está haciendo con la IA en los espacios clínicos y regulatorios con respecto a la modularización y reutilización de contenido. Un ejemplo es cómo la redacción de informes de estudios clínicos está siendo automatizada por herramientas de IA a través de la reutilización de contenido de los documentos subyacentes, como el protocolo del estudio".
Este cambio no solo mejora la eficiencia, sino que también garantiza la coherencia entre los documentos adaptados a los diversos requisitos normativos y de los pagadores.
El potencial de ahorro de mano de obra de la IA es digno de mención. Dentro de Cencora, por ejemplo, estamos construyendo sistemas internos de IA para redactar rápidamente numerosos tipos de informes con el objetivo de aplicar estos sistemas a nuestros propios informes de modelos económicos en un futuro próximo. No se trata solo de crear nuevos informes. La reutilización de contenidos entre diferentes agencias de HTA también está lista para la automatización.
"Muchas de estas plantillas del NICE (Instituto Nacional para la Excelencia en la Salud y la Atención) u otras agencias pueden estar estructuradas u ordenadas de manera diferente, pero la información necesaria para completarlas es idéntica", dijo Derek Swiger, PharmD, MS, experto en innovación digital en acceso al mercado y economía de la salud e investigación de resultados (HEOR). "Ciertamente podemos tomar prestada una página de lo que la gente está haciendo con la IA en los espacios clínicos y regulatorios con respecto a la modularización y reutilización de contenido. Un ejemplo es cómo la redacción de informes de estudios clínicos está siendo automatizada por herramientas de IA a través de la reutilización de contenido de los documentos subyacentes, como el protocolo del estudio".
Este cambio no solo mejora la eficiencia, sino que también garantiza la coherencia entre los documentos adaptados a los diversos requisitos normativos y de los pagadores.
Desafíos y limitaciones de la IA en la modelización económica
El potencial de la IA en la modelización económica de la salud es amplio, pero siguen existiendo desafíos y limitaciones. A menudo hay discusiones en los medios de comunicación sobre la posibilidad de que la IA reemplace a las personas, pero es importante tener en cuenta que, si bien la IA sobresale en la generación de opciones y la automatización de procesos, no puede reemplazar la experiencia humana en la toma de decisiones estratégicas. Los economistas de la salud desempeñan un papel fundamental a la hora de garantizar que los modelos generados por IA sean factibles, creíbles y estén alineados con las realidades clínicas y de reembolso.
Paul Turner, PhD, economista sénior de salud de Cencora, hizo hincapié en la importancia de la participación humana:
"La IA puede generar las opciones por ti, pero es necesario que haya un elemento de participación humana para asegurarse de que lo que se elige es factible. Esa supervisión es fundamental".
Este enfoque human-in-the-loop es esencial para mantener la integridad de los modelos económicos y garantizar su idoneidad para la toma de decisiones. Los equipos de HEOR también deben equilibrar el uso de la IA para crear modelos altamente complejos con los riesgos. Si bien los modelos complejos pueden cumplir con las expectativas de los pagadores, a menudo introducen incertidumbre adicional en los parámetros y plantean posibles problemas con las agencias.
"El hecho de que podamos usar la IA para construir modelos complejos no significa que debamos hacerlo", señaló el Dr. Poole. "Por ejemplo, es posible que la agencia de HTA no encuentre el modelo adecuado para la toma de decisiones".
Lograr el equilibrio adecuado entre complejidad e incertidumbre es clave para maximizar la utilidad de los modelos impulsados por IA.
Paul Turner, PhD, economista sénior de salud de Cencora, hizo hincapié en la importancia de la participación humana:
"La IA puede generar las opciones por ti, pero es necesario que haya un elemento de participación humana para asegurarse de que lo que se elige es factible. Esa supervisión es fundamental".
Este enfoque human-in-the-loop es esencial para mantener la integridad de los modelos económicos y garantizar su idoneidad para la toma de decisiones. Los equipos de HEOR también deben equilibrar el uso de la IA para crear modelos altamente complejos con los riesgos. Si bien los modelos complejos pueden cumplir con las expectativas de los pagadores, a menudo introducen incertidumbre adicional en los parámetros y plantean posibles problemas con las agencias.
"El hecho de que podamos usar la IA para construir modelos complejos no significa que debamos hacerlo", señaló el Dr. Poole. "Por ejemplo, es posible que la agencia de HTA no encuentre el modelo adecuado para la toma de decisiones".
Lograr el equilibrio adecuado entre complejidad e incertidumbre es clave para maximizar la utilidad de los modelos impulsados por IA.
Tendencias y oportunidades futuras
El potencial de la IA en la economía de la salud sigue creciendo con la llegada de nuevos sistemas y capacidades. Por ejemplo, los sistemas de IA agentic son aquellos que son capaces de actualizar de forma autónoma los parámetros del modelo con la evidencia más reciente, lo que se logra mediante la vinculación con un sistema de revisión sistemática de la literatura "vivo". Estos modelos "vivos" pueden proporcionar información en tiempo real, mejorar la precisión de los pronósticos y permitir una toma de decisiones más ágil. Creemos que los sistemas de IA agentic están preparados para redefinir los modelos económicos.
Otra área en la que esperamos que los sistemas de IA sean fundamentales es mediante el análisis de los envíos históricos de HTA y los comentarios de los pagadores para identificar los factores de riesgo asociados con el rechazo o las ineficiencias del modelo.
El Dr. Poole hizo la siguiente predicción:
"Para cualquier área de enfermedad dada, creo que probablemente veremos el uso de la IA para crear una base de datos de factores que conducen al éxito en un modelo que se considera adecuado para la toma de decisiones y, lo que es más importante, qué factores están asociados con un modelo que se considera no adecuado. Tal vez haya 5 doctorados solo en eso con los métodos tradicionales, pero un sistema de IA probablemente podría respaldar una herramienta realmente buena para identificar esos factores de riesgo".
Predecimos que estas herramientas ayudarán a los fabricantes a abordar de manera proactiva los posibles escollos en sus envíos, mejorando la probabilidad de resultados exitosos.
Otra área en la que esperamos que los sistemas de IA sean fundamentales es mediante el análisis de los envíos históricos de HTA y los comentarios de los pagadores para identificar los factores de riesgo asociados con el rechazo o las ineficiencias del modelo.
El Dr. Poole hizo la siguiente predicción:
"Para cualquier área de enfermedad dada, creo que probablemente veremos el uso de la IA para crear una base de datos de factores que conducen al éxito en un modelo que se considera adecuado para la toma de decisiones y, lo que es más importante, qué factores están asociados con un modelo que se considera no adecuado. Tal vez haya 5 doctorados solo en eso con los métodos tradicionales, pero un sistema de IA probablemente podría respaldar una herramienta realmente buena para identificar esos factores de riesgo".
Predecimos que estas herramientas ayudarán a los fabricantes a abordar de manera proactiva los posibles escollos en sus envíos, mejorando la probabilidad de resultados exitosos.
Conclusión
La IA está remodelando el panorama de la modelización económica, ofreciendo una velocidad, eficiencia y precisión sin precedentes. Desde acelerar la conceptualización de modelos hasta llenar las brechas de datos y automatizar la creación de informes, la IA está transformando la forma en que los economistas de la salud abordan los desafíos de acceso al mercado.
Sin embargo, la adopción de la IA no está exenta de desafíos. La supervisión humana, la transparencia y la toma de decisiones estratégicas siguen siendo fundamentales para garantizar la validez y viabilidad de los modelos impulsados por la IA. A medida que miramos hacia el futuro, la integración de sistemas de IA agentic desbloqueará nuevas oportunidades para la generación de pruebas.
Sin embargo, la adopción de la IA no está exenta de desafíos. La supervisión humana, la transparencia y la toma de decisiones estratégicas siguen siendo fundamentales para garantizar la validez y viabilidad de los modelos impulsados por la IA. A medida que miramos hacia el futuro, la integración de sistemas de IA agentic desbloqueará nuevas oportunidades para la generación de pruebas.
*Fuentes que continúan a continuación
Descargo de responsabilidad:
La información proporcionada en este artículo no constituye asesoramiento legal. Cencora, Inc. recomienda encarecidamente a los lectores que revisen la información disponible relacionada con los temas tratados y que confíen en su propia experiencia y conocimientos para tomar decisiones al respecto.
Conecte con nuestro equipo
Nuestro equipo de expertos líderes en valor se dedica a transformar las pruebas, los conocimientos sobre políticas y la inteligencia de mercado en estrategias efectivas de acceso al mercado global. Permítanos ayudarle a navegar con confianza por el complejo panorama de la atención sanitaria actual. Póngase en contacto con nosotros para descubrir cómo podemos ayudarle en sus objetivos.
Fuentes
1. Fleurence RL, Bian J, Wang X, et al; Grupo de Trabajo ISPOR sobre IA Generativa. Inteligencia artificial generativa para la evaluación de tecnologías sanitarias: oportunidades, desafíos y consideraciones políticas: un informe del grupo de trabajo de ISPOR. Valora la salud. 2025; 28(2):175-183. doi:10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. La era de la inteligencia artificial en la modelización económica de la salud. Póster presentado en: ISPOR Europa 2025; Del 9 al 12 de noviembre. Glasgow, Escocia. EE685. https://www.ispor.org/heor-resources/presentations-database/presentation-cti/ispor-europe-2025/poster-session-5-2/the-artificial-intelligence-era-in-health-economic-modeling
3. Annan A, Mojarad MR, Du J, Xu Y. Extracción automatizada de curvas de supervivencia de Kaplan-Meier utilizando inteligencia artificial generativa y visión por computadora. Presentado en: ISPOR 2025; del 13 al 16 de mayo; Montreal, Quebec, CA. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/texto completo
4. Fleurence RL, Wang X, Bian J, et al; Grupo de Trabajo ISPOR sobre IA Generativa. Una taxonomía de la inteligencia artificial generativa en la economía de la salud y la investigación de resultados: un informe del grupo de trabajo ISPOR. Valora la salud. 2025; 28(11):1601-1610. doi:10.1016/j.jval.2025.04.2167
