Revisiones de la literatura científica y el potencial de la IA para la síntesis de evidencias

El tipo de revisión más completo, las revisiones sistemáticas de la literatura (SLR, por sus siglas en inglés), se valoran por su enfoque riguroso y reproducible para evaluar preguntas clave de investigación. La metodología transparente limita el sesgo, y las SLR se consideran el estándar de oro para la medicina basada en la evidencia. 1 Otros tipos de revisiones de la literatura científica, como las revisiones exhaustivas dirigidas, emplean métodos menos estrictos, pero aún así proporcionan información extensa sobre temas como el tratamiento y el panorama de la enfermedad. Tanto los SLR como las revisiones específicas exhaustivas guían la estrategia y respaldan las presentaciones regulatorias, lo que los convierte en fuentes confiables para el desarrollo de fármacos.

Sin embargo, las SLR y las revisiones específicas exhaustivas son procesos que requieren mucha mano de obra y tiempo, y que a menudo tardan meses o incluso años. Estos largos plazos y el rápido crecimiento del número de artículos publicados y revistas disponibles significan que la nueva evidencia puede reemplazar rápidamente las revisiones de literatura científica más antiguas. 2 Esto puede dificultar los procesos de toma de decisiones, especialmente en campos acelerados como la atención médica y el desarrollo de fármacos, donde la información oportuna y precisa es crucial.

En respuesta, ha habido un creciente interés en herramientas y metodologías que puedan respaldar una mayor eficiencia, como la inteligencia artificial (IA), que podría acelerar el tiempo necesario para evaluar y actualizar las revisiones de la literatura científica.³

Sin embargo, es vital que estas herramientas sean validadas y que su uso esté guiado por el conocimiento experto de cuándo y dónde es más apropiado, así como por una comprensión clara de cómo se aplicará, especialmente en contextos de uso donde el rigor científico del método y los resultados son primordiales, como las SLR.

Adelantarse a la evidencia

Las revisiones más rigurosas y extensas de la literatura científica son las SLR que se llevan a cabo como parte de las presentaciones de evaluación de tecnologías sanitarias (ETS), que se adhieren a pautas estrictas de las agencias de ETS. Estas SLR deben ser completadas por investigadores experimentados. Debido a las limitaciones de las revisiones asistidas por IA, incluida la posibilidad de que se pierda una investigación relevante, no se recomienda la IA para las SLR que informan las decisiones de HTA.

Sin embargo, la orientación en este espacio está evolucionando. El Instituto Nacional para la Salud y la Excelencia Asistencial (NICE) del Reino Unido ha publicado una declaración de posición sobre el uso de la IA en la generación de pruebas que hace hincapié en el compromiso temprano con el NICE y el diálogo con los equipos técnicos del NICE si se utilizan métodos de IA. 4 Eventualmente, el uso de IA como segundo revisor puede ser apropiado si las herramientas de IA han sido validadas adecuadamente.

También se llevan a cabo SLR para la estrategia interna y para la publicación. Estos tipos de SLR también son cruciales para identificar brechas de evidencia y pueden informar los planes de evidencia integrados (IEP, por sus siglas en inglés). El rigor científico sigue siendo fundamental para estas SLR. Por lo tanto, se aconseja considerar a la IA como un segundo revisor para la primera fase de revisión de la literatura.

Tener un revisor humano y un revisor de IA con conflictos resueltos por un tercer revisor humano proporciona un control de calidad integrado. Además, cualquier método asistido por IA debe describirse de forma transparente en los informes o publicaciones de SLR, lo que está alineado con las directrices PRISMA de 2020 sobre la necesidad de una "descripción transparente, completa y precisa de por qué se realizó (una) revisión, qué hicieron los autores (como cómo se identificaron y seleccionaron los estudios) y qué encontraron (como las características de los estudios contribuyentes y los resultados de los metaanálisis)". 5 Si este tipo de SLR se pueden realizar más rápidamente y a menor costo con la ayuda de la IA, las SLR se pueden usar en una etapa más temprana del proceso de desarrollo de medicamentos y se pueden actualizar con más frecuencia. Esto puede informar mejor a los IEP y conducir a una planificación más eficaz de la generación de evidencia.

Otro tipo de revisión de la literatura científica que es particularmente útil en el espacio de HEOR es la revisión exhaustiva dirigida. Las revisiones exhaustivas y específicas a menudo cubren los panoramas de la enfermedad y el tratamiento e informan sobre el desarrollo temprano de fármacos. Los métodos asistidos por IA son particularmente útiles para temas amplios en los que hay una gran cantidad de literatura publicada. El uso de la IA para completar la primera fase de la revisión de la literatura se sugiere como una opción para ahorrar tiempo y costos. Aunque las revisiones exhaustivas dirigidas tienen requisitos metodológicos menos estrictos que las SLR, los procesos humanos siguen siendo importantes, y la implementación de controles de calidad de un porcentaje predeterminado de referencias revisadas por IA también es una opción sugerida.

Por último, la actualización de las revisiones de la literatura científica, ya sean SLR o revisiones exhaustivas dirigidas, es otro tipo de síntesis de pruebas en las que el uso de la IA puede aportar beneficios. Las revisiones de la literatura científica existente se pueden utilizar como datos de entrenamiento, y las herramientas de IA se pueden utilizar para evaluar si hay suficiente literatura publicada nueva y relevante para realizar una actualización de la revisión. El seguimiento de la bibliografía publicada recientemente garantizará que las actualizaciones de la revisión se lleven a cabo de manera oportuna y adecuada.

Adopción cautelosa de la IA en la generación de pruebas

Encontrar formas de cumplir con los requisitos de las autoridades de HTA y, al mismo tiempo, reducir algunos de los procesos que requieren mucho tiempo es una gran prioridad para las empresas, ya que cada día que no se reembolsa el producto de una empresa es una pérdida de ingresos. La guía de NICE ayuda a las empresas en el uso juicioso de la IA para mejorar la toma de decisiones en la generación de pruebas. Sin embargo, NICE ha advertido sobre la transparencia y confiabilidad de la IA.⁴

En el contexto adecuado y correctamente aplicadas, las herramientas de IA pueden empoderar a las empresas al hacer que sea más fácil y rentable llevar a cabo SLR con más frecuencia y, en consecuencia, ayudarlas a tomar decisiones mejor informadas.

PRISMA proporciona orientación sobre el uso de la automatización en su lista de verificación ampliada de 2020. Esto incluye informar cómo se integraron las herramientas de automatización en el proceso general de selección de estudios, así como la aplicación del aprendizaje automático en el proceso de selección y qué validación se llevó a cabo para comprender el riesgo de estudios perdidos o clasificaciones incorrectas.⁶

Las encuestas realizadas a los responsables de la toma de decisiones sanitarias muestran que cada vez se siente más cómodo con las herramientas de IA para la agregación y el resumen de pruebas. Sin embargo, siguen existiendo preocupaciones legítimas sobre la seguridad y la privacidad cuando se utilizan herramientas de IA, así como posibles sesgos introducidos inadvertidamente por los revisores. Además, es importante destacar que la IA requiere una aportación considerable de investigadores y expertos médicos y que es vital garantizar la precisión a la hora de investigar temas que podrían afectar a la salud y la atención sanitaria de las personas.

Algunas de estas preocupaciones pueden abordarse utilizando flujos de trabajo de revisión bibliográfica en los que las herramientas de IA validadas son guiadas por investigadores experimentados. Los controles de calidad basados en la intervención humana también proporcionan una forma de mitigar el riesgo y mantener la integridad de la investigación. Hay margen para que la IA madure como una herramienta clave para las revisiones de la literatura siempre que exista una base sólida de entrenamiento y validación en su desarrollo.

Las herramientas apropiadas y confiables habilitadas para IA que están orientadas a las diferentes partes del proceso de generación de evidencia pueden contribuir en gran medida a eliminar parte de la carga, brindando a las empresas la información que necesitan para cumplir con sus objetivos de acceso al mercado.

Sobre los autores

Kimberly Ruiz es directora sénior de Generación de Evidencia y Comunicación de Valor en Cencora. Dirige equipos de investigadores en la realización de revisiones bibliográficas sistemáticas y específicas, y en diversos tipos de trabajos de comunicación médica, incluidas las publicaciones científicas y el desarrollo de dossiers. Cuenta con más de 20 años de experiencia como investigadora en los sectores de consultoría, corporativo y sin fines de lucro de la industria de la salud.

Malia Gill es directora de Generación de Pruebas y Comunicaciones de Valor en Cencora. Lleva a cabo revisiones sistemáticas y específicas de la literatura para proporcionar una comprensión integral de las tendencias en la base de la literatura. Su trabajo apoya la presentación de HTA, metaanálisis, modelos económicos y epidemiológicos y publicaciones científicas.

Kimberly Ruiz

Director sénior, Generación de Evidencia y Comunicación de Valor, Cencora

Malia Gill

Gerente de Generación de Evidencia y Comunicaciones de Valor, Cencora

Este artículo resume la comprensión de Cencora sobre el tema basándose en la información disponible públicamente en el momento de escribir este artículo (consulte las fuentes enumeradas) y la experiencia de los autores en esta área. Es posible que las recomendaciones proporcionadas en el artículo no sean aplicables a todas las situaciones y no constituyan asesoramiento legal. Los lectores no deben confiar en el artículo para tomar decisiones relacionadas con los temas tratados.

Informe

Anticipamos las principales tendencias de acceso a los mercados a nivel mundial para 2025

El panorama de la atención sanitaria para 2025 está preparado para un cambio significativo. El informe de Cencora, «Anticipando las principales tendencias de acceso a los mercados a nivel mundial para 2025», destaca las tendencias clave que afectarán al acceso de los pacientes a terapias innovadoras.

Las ideas clave incluyen navegar por los cambios en las políticas globales, comprender la dinámica cambiante entre los fabricantes y los pagadores, abordar las presiones sobre los precios de los medicamentos, aprovechar la comunicación digital para la participación de las partes interesadas y mejorar la equidad en la atención sanitaria de EE. UU.

Leer el informe

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.

Contacte con nosotros

Referencias:

^1. OCEBM Levels of Evidence, Centro de Medicina Basada en la Evidencia. https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
^2. Enfoques de búsqueda bibliográfica en una era de creciente volumen de publicaciones, póster ISPOR. https://www.ispor.org/docs/default-source/euro2024/isporeurope24cadarettesa57poster146827-pdf.pdf?sfvrsn=39a72ef6_0
^3. ¿Cuánto podemos ahorrar aplicando la inteligencia artificial en la síntesis de evidencias? Resultados de una revisión pragmática para cuantificar la eficiencia de la carga de trabajo y el ahorro de costes, Front Pharmacol. Enero de 2025 https://pmc.ncbi.nlm.nih.gov/articles/PMC11826052/
^4.Uso de la IA en la generación de pruebas: Declaración de posición de NICE. https://www.nice.org.uk/about/what-we-do/our-research-work/use-of-ai-in-evidence-generation--nice-position-statement
^5. La declaración PRISMA 2020: una guía actualizada para la presentación de informes de revisiones sistemáticas, BMJ, 2021. https://www.bmj.com/content/372/bmj.n71
^6. Lista de verificación ampliada de PRISMA 2020. https://www.bmj.com/content/bmj/suppl/2021/03/29/bmj.n71.DC1/pagm061899.w2.pdf

Recursos relacionados

Guía

Serie de Educación Fundamental de HEOR

Más información

Artículo

Perspectivas de ISPOR 2024: Búsqueda de mejoras en las herramientas utilizadas en las evaluaciones de revisiones sistemáticas

Más información

Guía

Lista de verificación: Por qué necesita un socio de soluciones de aprendizaje con experiencia en acceso al mercado y reembolso

Más información

Cencora.com proporciona traducciones automáticas para ayudar a leer el sitio web en otros idiomas además del inglés. Para estas traducciones, se han hecho esfuerzos razonables para proporcionar una traducción precisa, sin embargo, ninguna traducción automática es perfecta ni pretende reemplazar a los traductores humanos. Estas traducciones se proporcionan como un servicio a los usuarios de Cencora.com y se proporcionan "tal cual". No se ofrece ninguna garantía de ningún tipo, ya sea expresa o implícita, en cuanto a la exactitud, fiabilidad o corrección de cualquiera de estas traducciones realizadas del inglés a cualquier otro idioma. Es posible que algunos contenidos (como imágenes, vídeos, Flash, etcétera) no se traduzcan con precisión debido a las limitaciones del software de traducción.

Cualquier discrepancia o diferencia creada en la traducción de este contenido del inglés a otro idioma no es vinculante y no tiene ningún efecto legal para el cumplimiento, la aplicación o cualquier otro propósito. Si se identifica algún error, póngase en contacto con nosotros. Si surge alguna pregunta relacionada con la exactitud de la información contenida en estas traducciones, consulte la versión en inglés de la página.