{"id":15545,"date":"2026-04-17T11:10:26","date_gmt":"2026-04-17T16:10:26","guid":{"rendered":"https:\/\/neuroeconomix.com\/?p=15545"},"modified":"2026-04-17T11:19:43","modified_gmt":"2026-04-17T16:19:43","slug":"cuanto-le-esta-costando-a-tu-equipo-construir-un-dossier-de-valor-sin-ia","status":"publish","type":"post","link":"https:\/\/neuroeconomix.com\/en\/cuanto-le-esta-costando-a-tu-equipo-construir-un-dossier-de-valor-sin-ia\/","title":{"rendered":"\u00bfCu\u00e1nto le est\u00e1 costando a tu equipo construir un dossier de valor sin IA?"},"content":{"rendered":"\n
\n

Construir un Global Value Dossier toma entre cuatro y ocho meses de trabajo especializado. La IA no lo reemplaza \u2014 pero ya est\u00e1 comprimiendo ese proceso de manera medible. Aqu\u00ed est\u00e1n los datos reales.<\/em><\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n

\n\n\n\n

<\/p>\n\n\n\n

Hay una pregunta que pocos equipos de market access se hacen en voz alta: \u00bfcu\u00e1nto cuesta, en tiempo y dinero, construir el dossier de valor de un producto sin herramientas de inteligencia artificial?<\/p>\n\n\n\n

La respuesta inc\u00f3moda es que no lo saben con precisi\u00f3n. Lo que s\u00ed saben es que toma meses, involucra a m\u00faltiples equipos de HEOR, medical affairs y market access, y que el resultado \u2014 un documento denso, t\u00e9cnico y dif\u00edcil de adaptar \u2014 muchas veces llega tarde al mercado o no logra comunicar el valor del producto con la claridad que el pagador necesita.<\/p>\n\n\n\n

La IA generativa est\u00e1 cambiando esa ecuaci\u00f3n. No de golpe, no de manera perfecta, pero s\u00ed de manera medible. Este art\u00edculo presenta los datos disponibles sobre qu\u00e9 partes del proceso de value dossier se est\u00e1n transformando, qu\u00e9 benchmarks reales existen, y qu\u00e9 significa esto para los equipos de HEOR y market access en Am\u00e9rica Latina.<\/p>\n\n\n\n

1. Qu\u00e9 es un Global Value Dossier y por qu\u00e9 es tan costoso de construir<\/strong><\/h2>\n\n\n\n

Un Global Value Dossier (GVD) es el documento estrat\u00e9gico central del proceso de market access farmac\u00e9utico. Re\u00fane toda la evidencia cl\u00ednica, econ\u00f3mica y de resultados en salud de un medicamento, estructurada para demostrar su valor ante pagadores, evaluadores de tecnolog\u00eda sanitaria (HTA) y formuladores de pol\u00edtica de salud.<\/p>\n\n\n\n

Un GVD completo incluye revisi\u00f3n sistem\u00e1tica de la literatura (SLR), an\u00e1lisis de costo-efectividad, modelos de impacto presupuestal, an\u00e1lisis de carga de la enfermedad, s\u00edntesis de evidencia de vida real y narrativas de valor diferenciadas por audiencia. En los mercados m\u00e1s exigentes \u2014 NICE en UK, CONITEC en Brasil, G-BA en Alemania \u2014 un dossier puede superar las 500 p\u00e1ginas de contenido t\u00e9cnico.<\/p>\n\n\n\n

El costo humano de ese proceso es alto. Seg\u00fan 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, epidemi\u00f3logos, revisores sistem\u00e1ticos y escritores m\u00e9dicos. En consultor\u00eda externa, los costos por proyecto pueden oscilar entre USD 200,000 y USD 800,000.<\/p>\n\n\n\n

Y ese proceso tiene que repetirse \u2014 con variaciones \u2014 para cada mercado, cada indicaci\u00f3n nueva y cada actualizaci\u00f3n de evidencia durante el ciclo de vida del producto.<\/p>\n\n\n\n

2. D\u00f3nde la IA ya est\u00e1 generando impacto verificable en el proceso<\/strong><\/h2>\n\n\n\n

El primer reporte del Working Group de ISPOR sobre IA generativa en HEOR, publicado en Value in Health en 2025, identifica cuatro \u00e1reas del proceso de dossier donde la IA generativa muestra evidencia de impacto: revisi\u00f3n sistem\u00e1tica de literatura, modelado econ\u00f3mico, generaci\u00f3n de evidencia de vida real y desarrollo del dossier propiamente dicho[1]. Revisemos cada una con datos.<\/p>\n\n\n\n

Revisi\u00f3n sistem\u00e1tica de literatura (SLR)<\/strong><\/h3>\n\n\n\n

Es la parte m\u00e1s intensiva en tiempo del proceso. Una SLR completa puede tomar entre 3 y 6 meses con metodolog\u00eda manual. La IA est\u00e1 comprimiendo espec\u00edficamente la etapa de screening de abstracts.<\/p>\n\n\n\n

Un estudio publicado en Journal of Medical Internet Research (Guo et al., 2024) encontr\u00f3 que los modelos de lenguaje de gran escala pueden reducir el n\u00famero de art\u00edculos 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 revisi\u00f3n humana a tan solo el 23% del total de art\u00edculos identificados[3].<\/p>\n\n\n\n

La implicaci\u00f3n pr\u00e1ctica: lo que tomaba 6 semanas de screening manual puede reducirse a d\u00edas, con revisores humanos concentrando su tiempo en la evaluaci\u00f3n de calidad y extracci\u00f3n de datos \u2014 las partes que realmente requieren juicio experto.<\/p>\n\n\n\n

Modelado econ\u00f3mico<\/strong><\/h3>\n\n\n\n

Un estudio presentado en ISPOR Europe 2024 y publicado en Pharmacoeconomics Open (Reason et al., 2024) evalu\u00f3 si GPT-4 pod\u00eda programar modelos de supervivencia particionada en R bas\u00e1ndose en instrucciones textuales de metodolog\u00eda. Los resultados mostraron que el modelo pod\u00eda construir estructuras funcionales del modelo con precisi\u00f3n, aunque requiri\u00f3 supervisi\u00f3n humana para validaci\u00f3n de par\u00e1metros y pruebas de sensibilidad[4].<\/p>\n\n\n\n

El Working Group de ISPOR concluye que la IA generativa muestra promesa para automatizar tareas de HEOR como revisiones sistem\u00e1ticas y modelado econ\u00f3mico, pero no es a\u00fan confiable para uso aut\u00f3nomo \u2014 debe aumentar, no reemplazar, la expertise humana[1].<\/p>\n\n\n\n

Desarrollo del dossier: el primer benchmark directo<\/strong><\/h3>\n\n\n\n

En ISPOR 2025, ZS Associates present\u00f3 los primeros resultados documentados de un acelerador de co-autor\u00eda basado en IA generativa espec\u00edficamente dise\u00f1ado para Global Value Dossiers. El GVD Coauthoring Accelerator usa repositorios de prompts especializados y herramientas de aceleraci\u00f3n para streamlinear el proceso de redacci\u00f3n[5].<\/p>\n\n\n\n

Aunque los resultados cuantitativos completos est\u00e1n pendientes de publicaci\u00f3n, la presentaci\u00f3n documenta mejoras en la eficiencia del proceso de autor\u00eda y en la consistencia del output \u2014 marcando el primer intento documentado de benchmarking directo de IA en GVD en la literatura HEOR.<\/p>\n\n\n\n

3. El costo real que nadie calcula: la demora en el tiempo al mercado<\/strong><\/h2>\n\n\n\n

El argumento para la IA en value dossiers no es solo eficiencia interna. Es acceso al mercado.<\/p>\n\n\n\n

Seg\u00fan el reporte W.A.I.T. 2024 de EFPIA, el tiempo promedio entre la autorizaci\u00f3n de comercializaci\u00f3n y la disponibilidad del medicamento en el formulario p\u00fablico en los 27 pa\u00edses de la UE fue de 531 d\u00edas \u2014 m\u00e1s de un a\u00f1o y medio[6]. Una parte significativa de esa demora corresponde al tiempo de preparaci\u00f3n del dossier HTA.<\/p>\n\n\n\n

En LATAM, donde los procesos de evaluaci\u00f3n de CONITEC en Brasil, IETS en Colombia y CENETEC en M\u00e9xico tienen plazos estrictos y exigen evidencia de alta calidad metodol\u00f3gica, llegar tarde con evidencia incompleta no solo retrasa el acceso al formulario \u2014 puede significar un rechazo que tarda meses o a\u00f1os en corregirse.<\/p>\n\n\n\n

Cada mes de retraso en un medicamento con precio de lista de USD 50,000\/a\u00f1o por paciente representa cientos de miles de d\u00f3lares en ventas no realizadas, adem\u00e1s del costo humano de los pacientes que no acceden al tratamiento.<\/p>\n\n\n\n

4. Qu\u00e9 partes del proceso la IA todav\u00eda no puede reemplazar<\/strong><\/h2>\n\n\n\n

La honestidad sobre las limitaciones es parte del rigor metodol\u00f3gico que los equipos de HEOR exigen \u2014 y que nosotros tambi\u00e9n aplicamos.<\/p>\n\n\n\n

La revisi\u00f3n sistem\u00e1tica de HEOR publicada en medRxiv (2025) que analiz\u00f3 25 estudios sobre GenAI en evaluaci\u00f3n econ\u00f3mica en salud encontr\u00f3 que m\u00e1s del 90% son abstracts de conferencia de 2024, predominantemente de autores comerciales, con \u00e9nfasis en investigaci\u00f3n exploratoria temprana. Los resultados son prometedores en tiempo de ejecuci\u00f3n, precisi\u00f3n y experiencia de usuario, pero el riesgo de sesgo es alto y la generalizaci\u00f3n limitada[7].<\/p>\n\n\n\n

Lo que la IA no reemplaza hoy:<\/p>\n\n\n\n

    \n
  • Juicio cl\u00ednico en la selecci\u00f3n de comparadores y endpoints relevantes para una poblaci\u00f3n espec\u00edfica<\/li>\n\n\n\n
  • Interpretaci\u00f3n del contexto regulatorio y pol\u00edtico de cada mercado de LATAM<\/li>\n\n\n\n
  • Negociaci\u00f3n con pagadores y definici\u00f3n de la estrategia de precio<\/li>\n\n\n\n
  • Validaci\u00f3n de modelos econ\u00f3micos y pruebas de sensibilidad complejas<\/li>\n\n\n\n
  • Interacci\u00f3n con expertos cl\u00ednicos y pacientes para capturar perspectivas no disponibles en la literatura<\/li>\n<\/ul>\n\n\n\n

    El ISPOR Working Group es expl\u00edcito: la IA debe aumentar, no reemplazar, la expertise humana en HEOR. Las organizaciones deben adoptar herramientas de IA con controles y balances robustos[1].<\/p>\n\n\n\n

    5. Lo que esto significa para los equipos de LATAM hoy<\/strong><\/h2>\n\n\n\n

    Am\u00e9rica Latina enfrenta una paradoja particular: los est\u00e1ndares de evidencia que exigen CONITEC, IETS y otras agencias HTA de la regi\u00f3n est\u00e1n aumentando \u2014 influenciados por el JCA europeo, los marcos metodol\u00f3gicos de ISPOR y las exigencias de agencias como NICE. Pero los recursos humanos especializados en HEOR en la regi\u00f3n son escasos y costosos.<\/p>\n\n\n\n

    Esa brecha \u2014 m\u00e1s exigencia, menos recursos \u2014 es exactamente donde la IA puede crear ventaja competitiva para los equipos que la adoptan con criterio.<\/p>\n\n\n\n

    Tres \u00e1reas donde los equipos de LATAM pueden empezar hoy<\/strong><\/h3>\n\n\n\n
      \n
    • SLR asistida por IA: Usar herramientas de screening automatizado para reducir el tiempo de revisi\u00f3n de literatura y liberar capacidad humana para an\u00e1lisis de calidad y extracci\u00f3n de datos relevantes para el contexto LATAM.<\/li>\n\n\n\n
    • Estructuraci\u00f3n del dossier con soporte de IA: Usar modelos de lenguaje para generar borradores estructurados de secciones del dossier \u2014 narrativas de carga de enfermedad, s\u00edntesis de evidencia cl\u00ednica, res\u00famenes ejecutivos para pagadores \u2014 que los equipos expertos revisan, ajustan y validan.<\/li>\n\n\n\n
    • Adaptaci\u00f3n local de dossiers globales: Usar IA para acelerar la adaptaci\u00f3n del GVD global a los marcos espec\u00edficos de cada agencia HTA de LATAM, identificando qu\u00e9 evidencia es directamente transferible y qu\u00e9 requiere generaci\u00f3n local.<\/li>\n<\/ul>\n\n\n\n

      El denominador com\u00fan 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.<\/p>\n\n\n