Un marco unificado para herramientas de preselección y selección en ensayos clínicos oncológicos

Por qué importa encontrar el ensayo de cáncer adecuado

Los ensayos clínicos de cáncer son donde se prueban hoy los tratamientos del mañana, sin embargo solo una pequeña fracción de los pacientes elegibles llega a participar en estos estudios. Este artículo explica por qué es tan difícil emparejar a los pacientes con los ensayos adecuados y cómo las nuevas herramientas digitales—especialmente las que usan inteligencia artificial—podrían cambiar esa situación. Para los lectores ofrece una ventana sobre cómo los datos, los ordenadores y la experiencia humana podrían combinarse para acelerar el acceso a terapias prometedoras y hacer la investigación más justa e inclusiva.

El reto creciente de reclutar pacientes

La investigación oncológica moderna depende de los ensayos clínicos, pero la inscripción se ha convertido en un cuello de botella serio. Una gran parte de los ensayos en oncología no logra reclutar suficientes participantes, y el periodo típico de inscripción se está alargando. Los ensayos ahora dependen de reglas de elegibilidad complejas, pruebas de laboratorio detalladas y, cada vez más, de las “huellas” moleculares de cada tumor. Al mismo tiempo, la información de los pacientes está dispersa entre distintos hospitales, sistemas informáticos y notas en texto libre. Como resultado, muchos pacientes que podrían beneficiarse de un ensayo nunca se identifican a tiempo, y solo alrededor del 3–5 % de las personas elegibles con cáncer acaban uniéndose a un estudio.

Diferentes vías para conectar pacientes y estudios

Los esfuerzos actuales para emparejar ensayos se dividen en tres grandes grupos. Los enfoques centrados en el paciente utilizan campañas de divulgación, redes sociales, grupos de defensa y cuestionarios en línea para ayudar a las personas a buscar ensayos por su cuenta. Estos pueden aumentar la concienciación y la participación, pero corren el riesgo de difundir información errónea y pueden no alcanzar a quienes tienen acceso limitado a internet. Las herramientas centradas en el sistema de salud están integradas en hospitales y clínicas, usando registros electrónicos, juntas tumorales y plataformas de pruebas genómicas para sugerir ensayos a los oncólogos durante la atención rutinaria. Las estrategias híbridas buscan combinar ambos: aumentar la conciencia entre los pacientes a la vez que equipan a los clínicos con mejores herramientas internas, de modo que las oportunidades no se pierdan en ninguno de los dos lados.

Quién se queda fuera y por qué importa

Una preocupación importante es que los participantes en los ensayos no reflejan la población completa de personas que viven con cáncer. Los pacientes rurales, quienes proceden de entornos de bajos ingresos, los adultos mayores y muchos grupos minoritarios están subrepresentados. La distancia a centros principales, las dificultades económicas, la falta de información y las reglas de elegibilidad estrictas que excluyen a personas con otras enfermedades contribuyen al problema. Organismos reguladores como la Administración de Alimentos y Medicamentos de EE. UU. (FDA) están impulsando a los patrocinadores a planificar la diversidad desde el inicio, incluyendo diseños de ensayos más flexibles y parcialmente remotos y una mejor selección de centros. El artículo subraya que cualquier nueva tecnología de emparejamiento debe reducir activamente estas brechas, no profundizarlas.

De la revisión manual a la automatización inteligente

Tradicionalmente, el emparejamiento de ensayos depende de que médicos y personal de investigación lean historiales a mano, entrevisten a los pacientes e ingresen la información en hojas de cálculo. Aunque esto permite el juicio experto, es lento, inconsistente y difícil de escalar. Métodos electrónicos más nuevos usan registros de salud, registros centralizados y alertas automáticas para señalar posibles coincidencias. Las herramientas de inteligencia artificial van más allá al escanear grandes volúmenes de notas clínicas, resultados de laboratorio e informes genómicos para sugerir ensayos adecuados. Los grandes modelos de lenguaje—la misma familia de sistemas que impulsa los chatbots avanzados—pueden convertir texto no estructurado en datos estructurados y ayudar a filtrar reglas de elegibilidad complejas. La revisión compara el uso “zero-shot” de modelos genéricos con enfoques más especializados que combinan la recuperación de información médica fiable, ejemplos cuidadosamente seleccionados y modelos afinados con documentos específicos de oncología.

Cómo pueden colaborar las herramientas inteligentes y los clínicos

Los autores sostienen que las soluciones más prometedoras son híbridas: los ordenadores hacen el trabajo pesado de leer grandes cantidades de datos, pero los clínicos siguen siendo los responsables de las decisiones finales. En esta visión, los sistemas de IA escanean continuamente los registros, interpretan tendencias de laboratorio y biomarcadores, y proponen coincidencias probables con ensayos, mostrando de forma clara por qué un paciente fue incluido o excluido. Los expertos humanos luego revisan, confirman o anulan esas sugerencias, garantizando seguridad y equidad. El artículo enfatiza la necesidad de datos de alta calidad, protección de la privacidad del paciente, explicaciones claras en lugar de respuestas en “caja negra” y medidas de desempeño que rastreen no solo la precisión y la rapidez sino también la diversidad y el coste.

Qué significa esto para el futuro de la atención del cáncer

En conclusión, los autores ven las mejores herramientas de preselección y selección como esenciales para acelerar la investigación sobre el cáncer y ampliar el acceso a tratamientos innovadores. Imaginan sistemas de emparejamiento de ensayos que reconozcan la diferencia entre la edad biológica y la edad cronológica, que tengan en cuenta marcadores sutiles de aptitud y riesgo de efectos secundarios, y que vuelvan a comprobar los resultados de laboratorio cambiantes a lo largo del tiempo. Si se diseñan y validan con cuidado, los marcos impulsados por IA y supervisados por humanos podrían facilitar que los pacientes adecuados encuentren los ensayos adecuados en el momento oportuno—reduciendo esfuerzos desperdiciados, mejorando la equidad y llevando terapias efectivas contra el cáncer a la clínica con más rapidez.

Cita: Horgan, D., Paulson, J.N., Loaiza-Bonilla, A. et al. A unified framework for pre-screening and screening tools in oncology clinical trials. npj Precis. Onc. 10, 143 (2026). https://doi.org/10.1038/s41698-026-01306-3

Palabras clave: ensayos clínicos de cáncer, coincidencia con ensayos, inteligencia artificial, oncología de precisión, inscripción de pacientes