Emparejando clínicos con ensayos clínicos usando IA

Por qué importa encontrar a los médicos adecuados para los ensayos

Cada nuevo fármaco o vacuna debe probarse en ensayos clínicos cuidadosamente diseñados. Sin embargo, muchos ensayos tienen dificultades para encontrar suficientes voluntarios, o incorporan pacientes que no reflejan la población real que usará el tratamiento. Los autores de este estudio desarrollaron un sistema de inteligencia artificial, llamado DocTr, que ayuda a los organizadores de ensayos a elegir qué médicos y clínicas deben llevar a cabo un estudio. Al mejorar este paso de “selección de centros”, el sistema aspira a acelerar el acceso a nuevas terapias a la vez que hace la investigación más inclusiva y rentable.

El cuello de botella oculto en la investigación médica

Los ensayos clínicos suelen fallar no porque un tratamiento sea ineficaz, sino porque nunca se inscriben los pacientes adecuados. Tradicionalmente, las farmacéuticas dependen de búsquedas manuales, redes personales y conjeturas para decidir a qué médicos invitar. Este proceso puede ser lento, estar sesgado hacia un pequeño círculo de investigadores conocidos y ser ciego a centros prometedores que atienden a comunidades diversas. El resultado es desalentador: muchas ubicaciones de ensayo inscriben a muchos menos pacientes de los planeados, algunas no inscriben a ninguno, y los retrasos pueden costar a los patrocinadores cientos de miles o millones de dólares por día.

Enseñar a un ordenador a emparejar médicos y ensayos

DocTr aborda el problema aprendiendo de varias fuentes grandes de datos del mundo real. En primer lugar, lee descripciones públicas de ensayos en ClinicalTrials.gov, incluyendo las enfermedades estudiadas y quién es elegible para inscribirse. En segundo lugar, utiliza reclamaciones de seguros anonimizadas para construir un perfil de cada clínico en función de los tipos de pacientes que atiende—esencialmente, una instantánea de cinco años de su práctica. En tercer lugar, accede a la base de datos US OpenPayments, que registra pagos de la industria a clínicos vinculados a ensayos específicos. Esos vínculos de pagos pasados actúan como sustituto de qué médicos trabajaron realmente en qué estudios, proporcionando al sistema ejemplos de emparejamientos exitosos para aprender.

Cómo aprende la IA a partir de texto, números y redes

Para combinar estos ingredientes, los investigadores construyeron un modelo que entiende tanto el lenguaje como los patrones en los datos. Un componente usa una versión médica del modelo de lenguaje BERT para convertir los resúmenes de los ensayos y las reglas de elegibilidad en vectores matemáticos que capturan el significado. Otro componente resume la mezcla de diagnósticos de los pacientes de cada médico en una representación compacta. Una tercera pieza trata la historia ensayo–médico como una red y usa técnicas de aprendizaje en grafos para captar quién ha trabajado con quién y en qué áreas. DocTr mezcla estas señales en una única puntuación de emparejamiento para cada par potencial ensayo–médico, y luego ordena a los clínicos para cada nuevo estudio.

Mejores emparejamientos, inscripciones más justas y menos conflictos

Al probarse con casi 25.000 clínicos de EE. UU. y más de 5.000 ensayos, DocTr produjo listas de clínicos recomendados que eran aproximadamente un 58% más similares a las plantillas reales de ensayos que los mejores métodos existentes. Es crucial que el sistema también vaya más allá de la precisión. Un paso de optimización incorporado reorganiza a los mejores candidatos para promover la diversidad en raza, etnia y geografía, a la vez que evita médicos que ya están ocupados con muchos otros estudios. Este proceso aumentó las puntuaciones de diversidad en comparación con la práctica actual y redujo el número medio de ensayos superpuestos para los clínicos recomendados a casi cero, sin sacrificar la calidad del emparejamiento.

Anticipándose a costes y planificación

Puesto que DocTr también aprende de los registros de pagos, puede estimar cuánto podría costar el reclutamiento para un nuevo ensayo o para un clínico dado. Al encontrar ensayos y médicos pasados con perfiles similares, produce previsiones de coste e inscripción que siguen los datos reales de forma razonable. Estas previsiones no son presupuestos completos, pero ofrecen a los patrocinadores una forma de comparar opciones, detectar planes inusualmente costosos y elegir estrategias de reclutamiento que equilibren velocidad, diversidad y gasto.

Qué significa esto para los pacientes y el futuro

El estudio muestra que el uso inteligente de los datos existentes puede hacer que los ensayos clínicos sean más fiables, rápidos y justos. DocTr no puede corregir todas las fuentes de sesgo—como las normas de elegibilidad restrictivas incluidas en un protocolo—pero puede ampliar el círculo de médicos considerados y ayudar a incluir comunidades que con frecuencia han sido excluidas de la investigación. Si se adopta y se regula con cuidado, sistemas como DocTr podrían acortar el camino desde los descubrimientos de laboratorio hasta los tratamientos en el mundo real, al tiempo que ofrecen a más pacientes la oportunidad de participar en la construcción de los medicamentos del mañana.

Cita: Gao, J., Xiao, C., Glass, L.M. et al. Matching clinicians with clinical trials using AI. Nat. Health 1, 290–299 (2026). https://doi.org/10.1038/s44360-026-00073-6

Palabras clave: reclutamiento para ensayos clínicos, inteligencia artificial en medicina, selección de centros de ensayo, equidad en salud, analítica de datos médicos