4 de noviembre de 2026 | 11:00 h (hora del Este)
Hay ciertas tareas de investigación clínica que se han resistido a la automatización por una razón. Leer un protocolo. Extraer lo que importa. Tomar una serie de decisiones que dependen del contexto y la experiencia. Introducir los datos correctamente en un sistema informático. Muchos datos de entrada, muchos resultados y casi ninguna tolerancia al error. Esa descripción se ajusta al proceso de creación de eSource, y se ajusta también a una docena de otros flujos de trabajo, tanto por parte del centro como del promotor.
Luke Snedaker, director ejecutivo de West Clinical Research, y Mike Wenger, director de innovación de CRIO, cuentan la historia de lo que realmente costó conseguir que la IA fuera fiable ante ese tipo de problema. Esa historia incluye la versión inicial que delegó todo el trabajo a la IA y produjo un resultado en el que ningún centro podía confiar. También trata sobre lo que vino después: la IA considerada como una herramienta más en la caja de herramientas, junto al código determinista, integrada en un flujo de trabajo de revisión humana con registros de auditoría y controles para evitar la aprobación automática sin más. Abarca la parte del debate sobre la IA que suele pasarse por alto: los fundamentos de cumplimiento normativo y seguridad que la sustentan —acuerdos empresariales con proveedores de modelos fundamentales cuyas condiciones prohíben el entrenamiento con datos de clientes, y las preguntas sobre el tratamiento de datos que cualquier centro o promotor debería plantear a un proveedor antes de que se suba ni un solo documento del estudio—.
La conclusión no es un producto, sino un patrón. El objetivo nunca fue un coche autónomo sin nadie al volante. Se trata de un sistema de asistencia al conductor, en el que la persona mantiene el control y la tecnología realiza una parte significativa del trabajo sin asumir nunca la responsabilidad. Los asistentes saldrán con una forma de evaluar dónde encaja la IA en sus propios flujos de trabajo de alto riesgo, dónde no, y qué hay que desarrollar en torno a ella antes de que nadie pueda confiar en lo que produce.
Objetivos clave de aprendizaje:
- Distinguir entre las partes del flujo de trabajo de una investigación clínica que realmente requieren el uso de la IA y aquellas que deben seguir siendo determinísticas, y comprender por qué confiar a la IA un problema ya resuelto supone un riesgo sin aportar ningún beneficio.
- Aplicar el patrón de diseño en el que se basa AI eSource Builder —muchos pasos pequeños y evaluados en lugar de una única indicación amplia, con supervisión en cada etapa— a otros flujos de trabajo con gran volumen de documentación y de alto riesgo, tanto por parte del centro como del promotor.
- Identifica qué requisitos deben cumplirse para que los resultados generados por la IA sean fiables en un entorno regulado. Esto incluye procesos de revisión y aprobación, registros de auditoría y un sistema de supervisión que detecte a los revisores que empiecen a aceptar todo sin más. Comprende los procedimientos de diligencia debida que deben aplicarse con respecto al proveedor, incluidos los contratos tipo de la empresa y las condiciones de servicio que prohíban el entrenamiento con tus datos, así como respuestas claras sobre el destino de los datos del estudio y quién puede acceder a ellos.