¿Cuánto le está costando a tu equipo construir un dossier de valor sin IA?

Construir un Global Value Dossier toma entre cuatro y ocho meses de trabajo especializado. La IA no lo reemplaza — pero ya está comprimiendo ese proceso de manera medible. Aquí están los datos reales.

Hay una pregunta que pocos equipos de market access se hacen en voz alta: ¿cuánto cuesta, en tiempo y dinero, construir el dossier de valor de un producto sin herramientas de inteligencia artificial?

La respuesta incómoda es que no lo saben con precisión. Lo que sí saben es que toma meses, involucra a múltiples equipos de HEOR, medical affairs y market access, y que el resultado — un documento denso, técnico y difícil de adaptar — muchas veces llega tarde al mercado o no logra comunicar el valor del producto con la claridad que el pagador necesita.

La IA generativa está cambiando esa ecuación. No de golpe, no de manera perfecta, pero sí de manera medible. Este artículo presenta los datos disponibles sobre qué partes del proceso de value dossier se están transformando, qué benchmarks reales existen, y qué significa esto para los equipos de HEOR y market access en América Latina.

1. Qué es un Global Value Dossier y por qué es tan costoso de construir

Un Global Value Dossier (GVD) es el documento estratégico central del proceso de market access farmacéutico. Reúne toda la evidencia clínica, económica y de resultados en salud de un medicamento, estructurada para demostrar su valor ante pagadores, evaluadores de tecnología sanitaria (HTA) y formuladores de política de salud.

Un GVD completo incluye revisión sistemática de la literatura (SLR), análisis de costo-efectividad, modelos de impacto presupuestal, análisis de carga de la enfermedad, síntesis de evidencia de vida real y narrativas de valor diferenciadas por audiencia. En los mercados más exigentes — NICE en UK, CONITEC en Brasil, G-BA en Alemania — un dossier puede superar las 500 páginas de contenido técnico.

El costo humano de ese proceso es alto. Según estimaciones de la industria, construir un GVD desde cero requiere entre 6 y 18 meses de trabajo especializado dependiendo de la complejidad del producto, con equipos que incluyen economistas de la salud, epidemiólogos, revisores sistemáticos y escritores médicos. En consultoría externa, los costos por proyecto pueden oscilar entre USD 200,000 y USD 800,000.

Y ese proceso tiene que repetirse — con variaciones — para cada mercado, cada indicación nueva y cada actualización de evidencia durante el ciclo de vida del producto.

2. Dónde la IA ya está generando impacto verificable en el proceso

El primer reporte del Working Group de ISPOR sobre IA generativa en HEOR, publicado en Value in Health en 2025, identifica cuatro áreas del proceso de dossier donde la IA generativa muestra evidencia de impacto: revisión sistemática de literatura, modelado económico, generación de evidencia de vida real y desarrollo del dossier propiamente dicho[1]. Revisemos cada una con datos.

Revisión sistemática de literatura (SLR)

Es la parte más intensiva en tiempo del proceso. Una SLR completa puede tomar entre 3 y 6 meses con metodología manual. La IA está comprimiendo específicamente la etapa de screening de abstracts.

Un estudio publicado en Journal of Medical Internet Research (Guo et al., 2024) encontró que los modelos de lenguaje de gran escala pueden reducir el número de artículos que un revisor humano necesita leer hasta en un 77%, manteniendo alta sensibilidad para no perder estudios relevantes[2]. Van Dijk et al. (2023) reportaron que el uso de un revisor basado en IA puede reducir el volumen de revisión humana a tan solo el 23% del total de artículos identificados[3].

La implicación práctica: lo que tomaba 6 semanas de screening manual puede reducirse a días, con revisores humanos concentrando su tiempo en la evaluación de calidad y extracción de datos — las partes que realmente requieren juicio experto.

Modelado económico

Un estudio presentado en ISPOR Europe 2024 y publicado en Pharmacoeconomics Open (Reason et al., 2024) evaluó si GPT-4 podía programar modelos de supervivencia particionada en R basándose en instrucciones textuales de metodología. Los resultados mostraron que el modelo podía construir estructuras funcionales del modelo con precisión, aunque requirió supervisión humana para validación de parámetros y pruebas de sensibilidad[4].

El Working Group de ISPOR concluye que la IA generativa muestra promesa para automatizar tareas de HEOR como revisiones sistemáticas y modelado económico, pero no es aún confiable para uso autónomo — debe aumentar, no reemplazar, la expertise humana[1].

Desarrollo del dossier: el primer benchmark directo

En ISPOR 2025, ZS Associates presentó los primeros resultados documentados de un acelerador de co-autoría basado en IA generativa específicamente diseñado para Global Value Dossiers. El GVD Coauthoring Accelerator usa repositorios de prompts especializados y herramientas de aceleración para streamlinear el proceso de redacción[5].

Aunque los resultados cuantitativos completos están pendientes de publicación, la presentación documenta mejoras en la eficiencia del proceso de autoría y en la consistencia del output — marcando el primer intento documentado de benchmarking directo de IA en GVD en la literatura HEOR.

3. El costo real que nadie calcula: la demora en el tiempo al mercado

El argumento para la IA en value dossiers no es solo eficiencia interna. Es acceso al mercado.

Según el reporte W.A.I.T. 2024 de EFPIA, el tiempo promedio entre la autorización de comercialización y la disponibilidad del medicamento en el formulario público en los 27 países de la UE fue de 531 días — más de un año y medio[6]. Una parte significativa de esa demora corresponde al tiempo de preparación del dossier HTA.

En LATAM, donde los procesos de evaluación de CONITEC en Brasil, IETS en Colombia y CENETEC en México tienen plazos estrictos y exigen evidencia de alta calidad metodológica, llegar tarde con evidencia incompleta no solo retrasa el acceso al formulario — puede significar un rechazo que tarda meses o años en corregirse.

Cada mes de retraso en un medicamento con precio de lista de USD 50,000/año por paciente representa cientos de miles de dólares en ventas no realizadas, además del costo humano de los pacientes que no acceden al tratamiento.

4. Qué partes del proceso la IA todavía no puede reemplazar

La honestidad sobre las limitaciones es parte del rigor metodológico que los equipos de HEOR exigen — y que nosotros también aplicamos.

La revisión sistemática de HEOR publicada en medRxiv (2025) que analizó 25 estudios sobre GenAI en evaluación económica en salud encontró que más del 90% son abstracts de conferencia de 2024, predominantemente de autores comerciales, con énfasis en investigación exploratoria temprana. Los resultados son prometedores en tiempo de ejecución, precisión y experiencia de usuario, pero el riesgo de sesgo es alto y la generalización limitada[7].

Lo que la IA no reemplaza hoy:

• Juicio clínico en la selección de comparadores y endpoints relevantes para una población específica
• Interpretación del contexto regulatorio y político de cada mercado de LATAM
• Negociación con pagadores y definición de la estrategia de precio
• Validación de modelos económicos y pruebas de sensibilidad complejas
• Interacción con expertos clínicos y pacientes para capturar perspectivas no disponibles en la literatura

El ISPOR Working Group es explícito: la IA debe aumentar, no reemplazar, la expertise humana en HEOR. Las organizaciones deben adoptar herramientas de IA con controles y balances robustos[1].

5. Lo que esto significa para los equipos de LATAM hoy

América Latina enfrenta una paradoja particular: los estándares de evidencia que exigen CONITEC, IETS y otras agencias HTA de la región están aumentando — influenciados por el JCA europeo, los marcos metodológicos de ISPOR y las exigencias de agencias como NICE. Pero los recursos humanos especializados en HEOR en la región son escasos y costosos.

Esa brecha — más exigencia, menos recursos — es exactamente donde la IA puede crear ventaja competitiva para los equipos que la adoptan con criterio.

Tres áreas donde los equipos de LATAM pueden empezar hoy

• SLR asistida por IA: Usar herramientas de screening automatizado para reducir el tiempo de revisión de literatura y liberar capacidad humana para análisis de calidad y extracción de datos relevantes para el contexto LATAM.
• Estructuración del dossier con soporte de IA: Usar modelos de lenguaje para generar borradores estructurados de secciones del dossier — narrativas de carga de enfermedad, síntesis de evidencia clínica, resúmenes ejecutivos para pagadores — que los equipos expertos revisan, ajustan y validan.
• Adaptación local de dossiers globales: Usar IA para acelerar la adaptación del GVD global a los marcos específicos de cada agencia HTA de LATAM, identificando qué evidencia es directamente transferible y qué requiere generación local.

El denominador común de estas tres aplicaciones es el mismo: la IA comprime el tiempo de las tareas repetitivas y estructuradas. El juicio experto sigue siendo humano e insustituible.

No se trata de reemplazar a tu equipo. Se trata de multiplicar su capacidad en un entorno donde los estándares de evidencia suben, los plazos se acortan y los mercados de LATAM exigen cada vez más rigor metodológico.

En Quantus, trabajamos con equipos de market access y HEOR para construir la capacidad de demostrar valor en entornos de evaluación cada vez más exigentes. Si quieres explorar cómo la IA puede fortalecer el proceso de dossier de tu portafolio en LATAM, escríbenos—> https://www.getquantus.ai/

Referencias

[1] Fleurence R, et al. Generative Artificial Intelligence for Health Technology Assessment: Opportunities, Challenges, and Policy Considerations. Value in Health. 2025;28(2):175-183. doi:10.1016/j.jval.2024.06754

[2] Guo E, et al. Automated paper screening for clinical reviews using large language models. J Med Internet Res. 2024;26:e48996. doi:10.2196/48996

[3] van Dijk et al. AI reviewer reduces human review volume to 23% in systematic reviews. 2023. Citado en: Frontiers in Pharmacology. doi:10.3389/fphar.2025.1454245

[4] Reason T, et al. Artificial intelligence to automate health economic modeling. Pharmacoecon Open. 2024;8(2):191-203. doi:10.1007/s41669-023-00450-8

[5] Gofman L, Meyerink JG, Sharma S. Transforming Global Value Dossier (GVD) Drafting: Creation with a Generative AI-Driven Coauthoring Accelerator. Poster presentado en ISPOR 2025. Disponible en: ispor.org

[6] EFPIA. W.A.I.T. Report 2024. Disponible en: efpia.eu

[7] Systematic literature review of the use of generative AI in health economic evaluation. medRxiv. Mayo 2025. doi:10.1101/2025.04.25.25326412