Por qué la formación en inteligencia artificial fortalece la incidencia en investigación clínica y evaluación de tecnologías sanitarias
Cada vez más decisiones en salud se toman a partir de evidencia formal. Una agencia de evaluación de tecnologías sanitarias analiza si un medicamento aporta el valor suficiente para ser cubierto. Un ensayo clínico define qué resultados se van a medir y, con eso, qué se considera un beneficio. En ambos espacios la perspectiva de los pacientes es cada vez más valorada, y pesa más cuando llega con el rigor que esos procesos exigen.
Las organizaciones de pacientes tenemos un conocimiento que ninguna otra fuente tiene. Sabemos cuánto tiempo pasa una persona con una enfermedad rara hasta obtener un diagnóstico, cómo vive alguien con asma grave o EPOC cuando se interrumpe su tratamiento de mantenimiento, y cuánto le cuesta a una familia viajar a otra ciudad para que un especialista en alergias atienda a su hijo. Los registros oficiales suelen contar lo que el sistema hace. Rara vez muestran lo que deja de hacer.
Dónde se necesita esa evidencia
En la evaluación de tecnologías sanitarias, la experiencia de los pacientes ayuda a entender qué resultados importan de verdad, qué carga representa la enfermedad en la vida diaria y qué necesidades siguen sin respuesta con las alternativas disponibles. En la investigación clínica puede orientar la elección de desenlaces relevantes para los pacientes, señalar criterios de inclusión que dejan fuera a quienes más necesitan participar y advertir sobre la carga que supone sumarse a un estudio. Y en la formulación de políticas públicas permite mostrar barreras que no aparecen en ninguna estadística.
Los datos de experiencia del paciente, los resultados reportados por los pacientes y los estudios de preferencias forman parte del lenguaje de estos procesos. Dominarlos nos permite dialogar en los mismos términos que el resto de los actores.
El rigor que convierte un testimonio en evidencia
Para que la experiencia de muchas personas se convierta en evidencia hace falta método. En el terreno cualitativo, eso significa recoger los relatos con criterios consistentes, codificarlos de forma sistemática y documentar cómo se llegó a cada conclusión. En el cuantitativo, significa encuestas bien diseñadas, preguntas comparables y una descripción honesta del alcance: si respondieron veinte personas, se habla de veinte personas y se explica quiénes eran y cómo se las contactó. Muchas veces es la combinación de ambos enfoques la que ofrece la imagen más completa.
Todo esto con consentimiento informado. Las personas tienen que saber para qué se usará lo que comparten, y nada de lo que se presente debe permitir reconocerlas.
Por qué la formación en inteligencia artificial es parte de esto
La IA puede ampliar mucho la capacidad de una organización para hacer este trabajo: analizar cientos de relatos, codificar respuestas abiertas, resumir literatura científica o leer un informe de evaluación de tecnologías y un protocolo de ensayo clínico. Esa capacidad, sin embargo, solo es útil si se entiende cómo funciona la herramienta.
Un modelo de lenguaje genera texto a partir de probabilidades, y puede producir con total seguridad una afirmación falsa o una referencia que no existe. Trabaja con una ventana de contexto limitada, de modo que si recibe más información de la que puede procesar, parte de ella puede quedar fuera del análisis sin que nadie lo advierta. Clasifica con más consistencia cuando se le dan ejemplos concretos que cuando se le piden resultados con adjetivos. Y su trabajo mejora cuando se le pide que critique su propia respuesta antes de darla por buena.
En un análisis cualitativo, estos detalles tienen consecuencias metodológicas. Una categoría aplicada de forma inconsistente distorsiona los resultados. Un modelo que tiende a generalizar puede dejar fuera los relatos que no se parecen a los demás, y en enfermedades raras suelen ser justamente los que más importan.
Por eso la primera sesión del programa IA Responsable y Transformadora para Organizaciones de Pacientes está dedicada a comprender cómo funciona la IA generativa y a elegir la herramienta adecuada para cada tarea de incidencia. Antes de usar estas herramientas para producir evidencia, necesitamos conocer sus límites.
La voz de los pacientes, con método
La experiencia de vivir con una enfermedad es una forma de conocimiento que la investigación clínica y la evaluación de tecnologías sanitarias necesitan. Producirla con rigor es una responsabilidad de las organizaciones de pacientes, y la inteligencia artificial, bien entendida, puede ayudarnos a asumirla con más alcance y menos esfuerzo.
¿En qué decisiones de salud de tu país crees que hoy falta la evidencia que pueden aportar los pacientes?
Migdalia Denis – Latin Health Leaders