Para compartir:

Los agentes de IA dejaron de ser una promesa y se convirtieron en realidad dentro de los ensayos clínicos.

Y el motivo es bastante directo: el volumen de datos creció tanto que ningún equipo humano puede seguirle el paso solo. Para que te hagas una idea, un protocolo de fase 3 recopilaba, en promedio, 929.203 puntos de datos en 2012. En 2020 ese número ya estaba en 3,56 millones y, en 2025, llegó a casi 6 millones, un salto del 67% en apenas cinco años y más de seis veces el valor registrado en 2012, según una investigación conjunta de TransCelerate BioPharma con el Tufts Center for the Study of Drug Development.

Ese crecimiento absurdo abrió espacio para que herramientas autónomas asumieran partes importantes de la operación clínica. Pero aquí está el punto que mucha gente todavía ignora: velocidad sin supervisión se convierte en riesgo. Un agente que falla no falla despacio ni en un solo lugar. Falla rápido, a escala, y en todos los centros de investigación al mismo tiempo. Esa asimetría entre fallo lento y local versus fallo rápido y global es justamente lo que la industria todavía no ha puesto del todo en la ecuación. Por eso la revisión humana no salió de escena, solo cambió de forma. 👇

Qué están haciendo los agentes de IA en los ensayos clínicos hoy

Cuando hablamos de agentes de IA dentro de ensayos clínicos, no estamos hablando de un chatbot respondiendo preguntas ni de un sistema que genera informes bonitos en PDF. Estamos hablando de sistemas que procesan millones de puntos de datos en tiempo real, cruzan información proveniente de endpoints, wearables y evaluaciones descentralizadas, identifican inconsistencias en historiales clínicos, señalan desvíos del protocolo y reconocen patrones mucho más rápido de lo que cualquier equipo de CRA podría. Esto es autonomía real, aplicada en un entorno donde el error tiene consecuencia directa en la vida de los pacientes.

Un detalle importante del estudio de TransCelerate con Tufts es que cerca de un tercio de todos los procedimientos y puntos de datos recopilados en ensayos clínicos no es esencial ni central para el objetivo del estudio. Esto crea un problema en cadena: agentes entrenados con protocolos inflados heredan esa inflación. Es decir, si el modelo aprende a partir de datos llenos de excesos, reproduce esos excesos y, peor aún, puede esparcir errores de configuración o consultas mal formuladas por todos los centros de una sola vez. Una regla mal ajustada o una query inventada por la máquina se propaga instantáneamente, y ahí es donde está el peligro.

Reciba el mejor contenido sobre innovación en su correo electrónico.

Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.

Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.

La adopción se aceleró bastante después de que quedó claro que los modelos de monitoreo tradicionales ya no podían con la carga. El modelo antiguo, basado en visitas presenciales periódicas a los centros de investigación, fue diseñado para un mundo donde los datos llegaban en papel y se organizaban manualmente. Con la digitalización total de los registros clínicos y la llegada de los wearables, dispositivos de monitoreo remoto y sensores integrados, el volumen de información explotó de una manera que ninguna revisión presencial sería capaz de absorber con la frecuencia necesaria. Los agentes de IA llenaron ese vacío con una eficiencia que impresiona a cualquiera que haya trabajado en investigación clínica durante más de una década.

Lo que pocos perciben es que esa eficiencia viene acompañada de una responsabilidad nueva y bastante compleja. Cuando un sistema autónomo analiza miles de registros de pacientes por hora y toma decisiones basadas en patrones que él mismo aprendió, la trazabilidad de esas decisiones necesita ser impecable. ¿Quién responde por un error? ¿Cómo auditas un proceso que ocurrió en milisegundos, dentro de una capa de modelo que no siempre es transparente? Estas preguntas son reales y están en el centro de las discusiones regulatorias que están ocurriendo ahora mismo en Estados Unidos, Europa y Brasil.

Por qué la revisión humana sigue siendo innegociable

La revisión humana no es un freno al progreso. Es, en la práctica, lo que garantiza que el progreso no se convierta en caos. Y eso queda mucho más claro cuando entiendes cómo fallan los agentes de IA. No fallan de la misma forma en que falla un ser humano. Un investigador cansado comete un error en un registro. Un agente con un sesgo en el entrenamiento falla sistemáticamente en todos los registros que comparten esa característica específica, sin ninguna variación, sin ninguna señal de alerta obvia, y muchas veces durante un período largo antes de que alguien detecte el patrón. En ensayos clínicos, donde la integridad de los datos es la columna vertebral de cualquier aprobación regulatoria, ese tipo de error silencioso es el más peligroso de todos.

Un agravante es que los modelos suelen equivocarse con confianza. No señalan incertidumbre cuando entregan una respuesta equivocada, y esa seguridad aparente puede engañar hasta a equipos experimentados. Es exactamente ese comportamiento lo que hace que la autonomía sin supervisión sea tan arriesgada. Por eso, plataformas como Castor EDC ya incorporan la revisión humana obligatoria dentro de los flujos de datos extraídos por IA, garantizando que nada se grabe en la base de datos clínica antes de pasar por el filtro de una persona cualificada. Esta arquitectura refleja exactamente dónde está el techo práctico de la tecnología hoy: el agente se encarga de la extracción, la señalización y el reconocimiento de patrones, mientras que el humano da el visto bueno final antes de que el registro se vuelva definitivo.

Lo que está cambiando no es la necesidad de la revisión humana, sino el punto donde entra en el proceso y el tipo de habilidad que exige. Revisar las salidas de un agente a escala requiere un perfil profesional diferente al del monitoreo tradicional: menos viajes a los centros, más triaje de alertas y mucho más juicio sobre si esa señalización del agente representa una señal genuina o apenas un artefacto de entrenamiento. Los patrocinadores que están montando estos flujos ahora están, en la práctica, redefiniendo lo que significa ser un revisor de datos clínicos en un estudio que genera 6 millones de puntos de datos.

Existe también una dimensión ética que no puede ser ignorada. Los ensayos clínicos existen porque la sociedad necesita evidencias sólidas antes de poner un medicamento o procedimiento a disposición de todos. Esa cadena de confianza depende de que los seres humanos estén activamente involucrados en las decisiones más sensibles del proceso, no como figurantes que firman informes generados por máquina, sino como agentes intelectuales que entienden lo que el sistema hizo, por qué lo hizo y cuáles son las implicaciones de aquello. La revisión humana es, por tanto, parte de la arquitectura de confianza que hace que el resultado del ensayo clínico sea válido ante reguladores, médicos, pacientes y la sociedad en su conjunto.

Autonomía con control: el modelo que está emergiendo

La discusión sobre la autonomía de los agentes de IA en contextos clínicos está avanzando en una dirección bastante específica: ya no se trata de decidir si los agentes deben o no tener autonomía, sino de mapear con precisión qué tareas pueden ser completamente delegadas, cuáles necesitan supervisión activa y cuáles jamás deben salir del control humano. Ese mapeo, que la industria llama informalmente niveles de automatización clínica, se está construyendo de forma empírica, con base en los errores y aciertos observados en los últimos años de implementación real.

En la práctica, los modelos más maduros que se están adoptando hoy funcionan con una lógica de escalamiento. El agente opera con total autonomía en tareas de bajo riesgo y alta repetitividad, como verificación de duplicados, llenado de campos estandarizados y chequeo de consistencia entre formularios. Cuando identifica algo fuera del patrón esperado, lo señala hacia una cola de revisión humana con un grado de prioridad asociado. El revisor humano, entonces, ya no necesita rastrear un océano de datos para encontrar lo que importa. Recibe lo que importa, con contexto, con el razonamiento del agente explicitado y con las opciones de acción disponibles. Esto reduce la carga cognitiva, aumenta la velocidad de respuesta y mantiene al humano exactamente donde necesita estar: en el control de las decisiones que tienen peso.

La métrica que vale la pena seguir aquí es cómo esa capacidad de revisión logra escalar en relación con la complejidad de los protocolos, porque la curva de volumen de datos simplemente no paró de subir. Mientras los estudios se vuelvan más complejos y los puntos de datos sigan multiplicándose, la presión sobre la capa humana de revisión va a aumentar también. Quien estructure esa capacidad de forma inteligente ahora va a tener una ventaja operacional enorme en los próximos años.

Lo que este modelo exige, sin embargo, es una infraestructura de datos extremadamente bien organizada y una cultura de documentación que muchas organizaciones todavía están construyendo. Un agente solo puede escalar correctamente si los datos que recibe son confiables, si los criterios de señalización fueron calibrados adecuadamente y si los equipos humanos fueron entrenados para interpretar las alertas de forma crítica, y no simplemente homologar automáticamente lo que el sistema sugiere. Cuando cualquiera de estos elementos falla, la promesa de la autonomía inteligente se transforma en un punto ciego operacional que puede tardar meses en ser detectado. Por eso, la inversión en gobernanza de datos y en capacitación humana sigue siendo tan urgente como la inversión en las propias herramientas de IA. 🤝

Herramientas que usamos a diario

Qué están diciendo los reguladores sobre todo esto

La FDA, la EMA y la ANVISA están todas, cada una a su ritmo, desarrollando directrices específicas para el uso de agentes de IA en ensayos clínicos. El framework de la FDA para datos del mundo real en presentaciones regulatorias, por ejemplo, deja claro que la agencia espera trazabilidad y responsabilidad humana en el punto de decisión. En la práctica, esto convierte las funciones de registro totalmente autónomas en un riesgo regulatorio, independientemente de la capacidad técnica del sistema. El punto de convergencia entre las tres agencias es bastante claro: la autonomía de los sistemas es tolerada e incluso fomentada en etapas operativas, pero las decisiones que afectan la seguridad de los participantes y la integridad de los datos necesitan tener trazabilidad humana documentada.

Esto significa que, incluso cuando un agente toma una decisión técnicamente correcta, si no hay un registro auditable de que un humano cualificado validó esa decisión en el contexto adecuado, el dato puede ser cuestionado durante una inspección regulatoria, lo que puede comprometer el ensayo entero. Esta posición regulatoria tiene una lógica muy sólida detrás. El sistema de aprobación de medicamentos y terapias fue construido sobre el principio de que cada etapa del proceso puede ser verificada, cuestionada y reproducida.

La introducción de sistemas de IA con alto grado de autonomía desafía ese principio porque crea cajas negras dentro de un proceso que necesita ser transparente. La respuesta que está emergiendo no es prohibir los agentes, sino exigir que operen con explicabilidad, es decir, que cada decisión relevante pueda ser descrita en un lenguaje que un especialista humano pueda verificar y validar. Esto empuja a la industria de IA hacia un desarrollo de modelos más interpretables, lo que, curiosamente, está generando beneficios que van mucho más allá de los ensayos clínicos.

En Brasil, la ANVISA todavía está en una fase más exploratoria de este debate, pero las discusiones internas ya reconocen que la llegada de los agentes de IA a los ensayos realizados en el país es una cuestión de cuándo, no de si. Y la preparación regulatoria necesita ocurrir antes de que la tecnología llegue a escala, no después. Ese alineamiento entre innovación tecnológica y madurez regulatoria es uno de los mayores desafíos que el área de investigación clínica va a enfrentar en los próximos cinco años, y la forma en que se construya ese equilibrio va a definir el ritmo con el que nuevos tratamientos llegan hasta los pacientes. 🧬

Imagen de Rafael

Rafael

Operaciones

Transformo los procesos internos en máquinas de entrega, garantizando que cada cliente de Viral Method reciba un servicio de primera calidad y resultados reales.

Rellena el formulario y nuestro equipo se pondrá en contacto contigo en un plazo de 24 horas.

Publicaciones relacionadas

Robot detecta actividad inusual en el navegador con JavaScript y cookies

Descubre por qué algunos sitios exigen JavaScript y cookies ante actividad inusual y cómo resolver bloqueos con pasos simples y

Productividad con Inteligencia Artificial Agentic en ejecución y flujos de trabajo.

Agentic AI: cómo usar agentes de IA para mejorar flujos, métricas y gobernanza, convirtiendo pilotos en ganancias reales de productividad.

IA y automatización en el centro de contacto: productividad y experiencia del cliente

Productividad: cómo la IA y automatización transforman centros de contacto, reduciendo costos y elevando eficiencia y experiencia del cliente.

Receba o melhor conteúdo de inovação em seu e-mail

Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.

Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.

Rafael

Online

Atendimento

Calculadora de Precio de Sitios

Descubre cuánto cuesta el sitio ideal para tu negocio

Páginas del Sitio

¿Cuántas páginas necesitas?

Arrastra para seleccionar de 1 a 20 páginas

En solo 2 minutos, descubre automáticamente cuánto cuesta un sitio a medida para tu negocio

Más de 0+ empresas ya calcularon su presupuesto

Fale com um consultor

Preencha o formulário e nossa equipe entrará em contato.