Investigación profunda (Deep Research)

Cómo calificar funciones de IA en el software para ensayos clínicos

82 min de lecturaEquipo editorial de EClinCloud
Calificación de la IA para ensayos clínicos — portada editorial de EClinCloud

En resumen

La guía de la FDA sobre credibilidad de la IA en el desarrollo de medicamentos sigue siendo un borrador [1]. Esta guía aplica sus preguntas sobre el contexto de uso a funciones individuales del software para ensayos y propone cuatro controles.

  1. Identifique las regulaciones vinculantes y las guías aplicables para el uso específico [1] [2] [3] [4] [5] [6] [7] [8].
  2. Clasifique la función y confirme quién toma la decisión. Rechace las escrituras automatizadas no confirmadas en registros de ensayos regulados, a menos que la función esté expresamente calificada y autorizada bajo el nivel de máximo control (Nivel 4) para ese contexto de uso.
  3. Especifique el modelo y las entradas aprobados. Pruebe los cambios utilizando un conjunto fijo con respuestas conocidas. Siga las expectativas aplicables de la EMA para el análisis pivotal [9].
  4. Conserve la salida propuesta y la decisión humana en la evidencia de auditoría. Utilice las señales de revisión para seleccionar casos para inspección.

Un estudio de implementación registró 18 instituciones que activaron REDCap AI. En Vanderbilt, 958 proyectos generaron llamadas para redacción, resumen y traducción [10]. Esos flujos de trabajo ofrecen ejemplos de uso bajo controles de administrador. Evalúe las funciones clínicas por separado.

1. Qué es vinculante, qué sirve de guía y qué sigue siendo borrador (a finales de 2026)

Comience por identificar la autoridad, la versión y el uso previsto pertinentes para la función. El cuadro 01 separa las normas vinculantes, las guías adoptadas y los borradores. Los controles propuestos por EClinCloud comienzan en la Sección 3.

1.1 Estados Unidos: cinco referencias base regulatorias y de orientación

Los promotores que realizan ensayos clínicos bajo las regulaciones de Nuevo Fármaco en Investigación (IND) o de Exención de Dispositivo en Investigación (IDE) interactúan con cinco vías distintas de la FDA que rigen los sistemas de software, la inteligencia artificial y los registros electrónicos:

  1. Borrador de la FDA sobre IA para medicamentos y productos biológicos. La FDA publicó el borrador de enero de 2025 para recibir comentarios. La Sección II abarca la IA utilizada para generar información o datos destinados a respaldar decisiones regulatorias sobre la seguridad, eficacia o calidad de los medicamentos. Excluye las eficiencias operativas que no afectan la seguridad del paciente, la calidad del medicamento ni la fiabilidad de los resultados de un estudio no clínico o clínico. Sus siete pasos son: definir la pregunta, definir el contexto de uso, evaluar el riesgo del modelo, planificar la evidencia de credibilidad, ejecutar el plan, documentar los resultados y las desviaciones, y determinar la idoneidad para el contexto. La influencia del modelo y la consecuencia de la decisión son los dos factores del paso 3. Utilice reuniones formales como INTERACT o Pre-IND, o una opción de la Tabla 1 como C3TI cuando corresponda [1].
  2. Principios rectores transatlánticos de buenas prácticas en IA (principios conjuntos no vinculantes): En enero de 2026, la FDA y la Agencia Europea de Medicamentos (EMA) publicaron 10 principios rectores conjuntos para la IA en el desarrollo de medicamentos [11]. Los encabezados oficiales son: (1) Diseño centrado en el ser humano; (2) Enfoque basado en el riesgo; (3) Cumplimiento de estándares; (4) Contexto de uso claro; (5) Conocimientos multidisciplinarios; (6) Gobernanza y documentación de datos; (7) Prácticas de diseño y desarrollo de modelos; (8) Evaluación del desempeño basada en el riesgo; (9) Gestión del ciclo de vida; y (10) Información clara y esencial [11]. Estos principios representan recomendaciones de consenso no vinculantes destinadas a orientar la adopción por parte de los promotores y el criterio regulatorio, más que mandatos legales independientes.
  3. Guías finales sobre sistemas electrónicos, DHT y CSA (recomendaciones no vinculantes que interpretan normas vinculantes del 21 CFR): Las guías de la agencia establecen explícitamente que representan el criterio actual de la FDA y ofrecen recomendaciones no vinculantes, a menos que se citen disposiciones legales o regulatorias específicas. Conforme a la guía final de la FDA de octubre de 2024, Sistemas electrónicos, registros electrónicos y firmas electrónicas en investigaciones clínicas: preguntas y respuestas (Revisión 1) [12], la agencia interpreta los requisitos vinculantes del 21 CFR Parte 11 (Registros electrónicos; firmas electrónicas) y del 21 CFR Parte 312 (Solicitud de nuevo fármaco en investigación). Las recomendaciones clave incluyen generar copias certificadas verificadas que mantengan la misma información, contexto, contenido y estructura que los registros originales (Q3), conservar los registros en formatos legibles por humanos con metadatos esenciales (Q5), implementar una validación basada en el riesgo para los fines previstos (Q7), mantener pistas de auditoría seguras, generadas por computadora y con marca de tiempo que registren las acciones del usuario sin sobrescribir entradas anteriores (Q12), registrar acciones deliberadas del usuario como guardar o enviar datos en lugar de pulsaciones de teclas en segundo plano (Q13), y establecer controles seguros del reloj del sistema que documenten la fecha, la hora y la zona horaria o la hora del meridiano de Greenwich (GMT) (Q14) [12]. De forma paralela, la guía final de la FDA de diciembre de 2023, Tecnologías de salud digital para la adquisición remota de datos en investigaciones clínicas, recomienda identificar las especificaciones técnicas y de desempeño mínimas de una DHT y el modelo o la versión específicos cuando corresponda (sección IV.A.2). También recomienda registrar cuándo y cómo se actualizó cada DHT y confirmar que sigue siendo apta para su propósito después de la actualización (sección IV.H.4) [13]. Además, el 3 de febrero de 2026, la FDA reemitió su guía final Aseguramiento de software informático para software de producción y de sistemas de gestión de calidad (Expediente FDA-2022-D-0795), alineando la terminología de validación con el Reglamento del Sistema de Gestión de Calidad (QMSR, 21 CFR Parte 820, vigente desde el 2 de febrero de 2026) [14]. Aunque la Parte 820 vincula directamente a los fabricantes de dispositivos médicos y no a los promotores de ensayos farmacéuticos como tales, la distinción de la guía CSA entre pruebas con guion y pruebas sin guion (incluidas las pruebas exploratorias) proporciona un marco de pruebas flexible y basado en el riesgo que los promotores pueden adaptar para la calificación de software eClinical [14].
  4. Normas sobre software de dispositivos en investigación frente a planes de control de cambios poscomercialización: Cuando las funciones de software cumplen la definición de dispositivo según la Sección 201(h) de la Ley Federal de Alimentos, Medicamentos y Cosméticos (FD&C Act), el uso en investigación en ensayos clínicos se rige por el 21 CFR Parte 812 (Exenciones para Dispositivos en Investigación) [13]. Para las investigaciones realizadas bajo una solicitud de IDE aprobada, los cambios en el protocolo y en el software implementados durante el estudio activo deben evaluarse conforme al 21 CFR 812.35 para determinar si se requiere una presentación de IDE suplementaria antes de su implementación, mientras que los estudios realizados bajo requisitos abreviados (812.2(b)) o las investigaciones exentas (812.2(c)) se rigen por sus respectivas vías regulatorias. Por el contrario, la guía final reemitida de la FDA del 18 de agosto de 2025, Recomendaciones de presentación para comercialización de un plan de control de cambios predeterminado para funciones de software de dispositivos habilitados con inteligencia artificial (Expediente FDA-2022-D-2628), representa una vía opcional de presentación para comercialización para dispositivos autorizados comercialmente evaluados mediante las vías 510(k), De Novo o de Aprobación Previa a la Comercialización (PMA) [15]. Un Plan de Control de Cambios Predeterminado (PCCP) permite a un fabricante especificar previamente las modificaciones poscomercialización del modelo a través de tres componentes: una Descripción de Modificaciones, un Protocolo de Modificación y una Evaluación de Impacto [15]. Un PCCP no es un mecanismo de autorización para modificaciones de algoritmos a mitad de estudio durante un ensayo clínico de medicamentos o dispositivos en investigación, y su documento complementario, Funciones de software de dispositivos habilitados con inteligencia artificial: gestión del ciclo de vida y recomendaciones de presentación para comercialización (Expediente FDA-2024-D-4488, emitido el 7 de enero de 2025), sigue siendo un borrador de guía — no para implementación [16].
  5. Guía final de la FDA sobre ICH E6(R3) (guía no vinculante de Nivel 1): En septiembre de 2025, la FDA publicó E6(R3) Buenas Prácticas Clínicas (GCP) como guía final de Nivel 1 bajo el Expediente FDA-2023-D-1955 [4]. En Estados Unidos, las directrices de la ICH adoptadas por la FDA representan guías de la agencia que contienen recomendaciones no vinculantes y no leyes federales directas. Los promotores que presentan datos de ensayos ante el CDER o el CBER bajo una IND pueden hacer referencia a los conceptos de E6(R3) como reflejo de las expectativas de la agencia, y las obligaciones vinculantes provienen de las regulaciones aplicables. La guía de septiembre de 2025 es anterior al Anexo 2 final de la ICH. La página del Anexo 2 de la FDA aún etiquetaba su versión como borrador cuando se verificó el 13 de noviembre de 2026 [17].

1.2 Marcos de ICH E6(R3), la Unión Europea, el Reino Unido y China

Los marcos regulatorios internacionales distinguen entre reglamentos regionales directamente vinculantes, directrices de consenso adoptadas, documentos de reflexión de las agencias y decretos nacionales:

  • Directriz consolidada ICH E6(R3) (Etapa 4 adoptada el 16 de junio de 2026): El Consejo Internacional para la Armonización (ICH) consolidó la directriz E6(R3) en la Etapa 4 el 16 de junio de 2026, unificando los Principios generales, el Anexo 1 (ensayos clínicos intervencionistas, finalizado el 6 de enero de 2025) y el Anexo 2 (consideraciones adicionales para diseños de ensayos no tradicionales, ensayos descentralizados y fuentes de datos del mundo real, adoptado el 3 de junio de 2026) [2]. Según los procedimientos operativos del ICH, las directrices de la Etapa 4 se recomiendan para su adopción a las autoridades regulatorias regionales, en lugar de constituir derecho internacional directamente vinculante. En la Unión Europea, el Comité de Medicamentos de Uso Humano (CHMP) de la EMA adoptó los Principios y el Anexo 1 con una fecha efectiva de implementación del 23 de julio de 2025, mientras que el Anexo 2 y el texto consolidado tienen una fecha efectiva oficial del 15 de enero de 2027 [3]. En las jurisdicciones donde se ha implementado, la Sección 4.2.2 establece que los sistemas informatizados deberían mantener pistas de auditoría que registren las interacciones entre el sistema y el usuario y las modificaciones de los flujos de trabajo con una fecha y hora inequívocas (dando como ejemplo el Tiempo Universal Coordinado, UTC); la Sección 4.2.3 establece que los promotores deberían realizar revisiones basadas en el riesgo de los datos y metadatos, incluidas las pistas de auditoría; y la Sección 4.3.4 establece que la validación de los sistemas informatizados debería ser proporcional al riesgo, abarcando la configuración del sistema, la integración y los cambios a lo largo del tiempo [2].
  • Reglamento sobre ensayos clínicos de la Unión Europea y directrices de la EMA: En la UE, los ensayos clínicos de medicamentos se rigen por el Reglamento (UE) n.º 536/2014 (Reglamento sobre los ensayos clínicos, CTR) [18]. El CTR pasó a ser aplicable el 31 de enero de 2022. El artículo 47 exige al promotor y al investigador tener debidamente en cuenta las directrices de buena práctica clínica del ICH al redactar el protocolo y al aplicar el Reglamento y el protocolo [18]. El artículo 98 estableció un régimen transitorio para los ensayos realizados al amparo de la Directiva anterior. Al inspeccionar un ensayo histórico, determine el régimen aplicable a partir de su historial de autorización y transición [18]. Las expectativas operativas para los sistemas informatizados se establecen en la directriz del Grupo de Trabajo de Inspectores de GCP de la EMA, Guideline on computerised systems and electronic data in clinical trials (EMA/INS/GCP/112288/2023, vigente seis meses después de su publicación en marzo de 2023) [19]. Su alcance incluye la IA utilizada para el reclutamiento de participantes, la elegibilidad, la codificación, la aclaración de datos, los procesos de consultas y la adjudicación de eventos. A estos usos se aplican las expectativas generales. La directriz reserva los requisitos específicos de la IA para un posible anexo futuro [19]. Esta directriz recomienda la calificación formal de proveedores, una segregación clara de roles entre el personal administrativo y los usuarios del ensayo, y la exportabilidad cronológica completa de los registros de auditoría [19]. En septiembre de 2024, la EMA adoptó su documento no vinculante Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle (EMA/CHMP/CVMP/83833/2023) [9]. La Sección 2.3.3.1 señala que, cuando un método tiene un alto impacto regulatorio o un alto riesgo para el paciente y la EMA aún no lo ha calificado para ese contexto, la EMA puede solicitar la arquitectura del modelo, los registros de desarrollo y pruebas, los datos de entrenamiento y el flujo de procesamiento. La Sección 2.3.3.3 aborda la IA utilizada en el análisis e inferencia de datos de ensayos, incluidos los controles para ensayos pivotales de fase avanzada [9]. En paralelo, la consulta pública de la Comisión Europea sobre la revisión del Capítulo 4 del Volumen 4 de EudraLex, el Anexo 11 (Sistemas Informatizados) y el borrador del Anexo 22 (Inteligencia Artificial) cerró en octubre de 2025 [20]. Al verificarse el 13 de noviembre de 2026, el Volumen 4 de EudraLex de la Comisión seguía incluyendo el Capítulo 4 y el Anexo 11 de 2011 y no contenía ningún Anexo 22. Los textos revisados seguían siendo borradores de GMP. Las operaciones de ensayos clínicos se rigen por separado según los requisitos de GCP aplicables.
  • Sandbox AI Airlock de la MHRA del Reino Unido: La MHRA del Reino Unido, con el apoyo del Department of Health and Social Care (DHSC) y la Regulatory Innovation Office (RIO), publicó su informe AI Airlock Sandbox Phase 2 Programme Report en junio de 2026 (actualizado en julio de 2026) [21]. El Airlock es un sandbox regulatorio para dispositivos médicos de IA. Su informe no establece ningún requisito de GCP para el software de ensayos. El sandbox de la Fase 2 evaluó 51 solicitudes y seleccionó siete proyectos piloto candidatos (tres probados en rutas multientorno y cuatro evaluados únicamente en talleres de simulación) [21]. El informe definió tres entornos de evaluación distintos: entornos de Simulación (talleres multidisciplinarios con partes interesadas para someter a pruebas de estrés escenarios hipotéticos de riesgo), entornos Virtuales o de Investigación (pruebas de algoritmos dentro de entornos seguros y aislados de datos retrospectivos) y entornos del Mundo Real (despliegue separado de las rutas clínicas y de los procesos de toma de decisiones, utilizando datos retrospectivos o sintéticos, lo cual no constituye una investigación clínica) [21]. El informe destacó dos hallazgos clave sobre el ciclo de vida: el Hallazgo 2 observó que la supervisión humana puede degradarse a lo largo del ciclo de vida de un sistema a medida que los médicos desarrollan complacencia hacia la automatización, mientras que el Hallazgo 3 enfatizó que, en el caso de los productos basados en modelos de lenguaje grandes (LLM), pueden producirse cambios significativos en el comportamiento únicamente a través del comportamiento del modelo, de modo que los sistemas que carecen de salvaguardas activas pueden exhibir funciones más allá de su propósito previsto [21]. La MHRA lanzó la Fase 3 en octubre de 2026 (vigente hasta abril de 2029) para centrarse específicamente en la vigilancia poscomercialización y la supervisión regulatoria del ciclo de vida [22].
  • GCP de medicamentos revisada de la NMPA de China y directriz técnica del CDE: Los ensayos multirregionales que operan en China deben cumplir con la normativa nacional directamente vinculante conforme al Anuncio 2026 n.º 50 de la NMPA, Good Clinical Practice for Drugs (2026 Revision), emitido conjuntamente por la NMPA, la Comisión Nacional de Salud (NHC), la Administración Nacional de Medicina Tradicional China (NATCM) y la Administración Nacional de Control y Prevención de Enfermedades (NDCPA) el 21 de mayo de 2026, con entrada en vigor el 1 de septiembre de 2026 [5]. El Anuncio n.º 50 deroga el Anuncio n.º 57 de 2020 [5]. El CDE de China emitió la directriz Guideline on Computerized Systems and Electronic Data in Drug Clinical Trials mediante el Aviso 2026 n.º 44 el 22 de septiembre de 2026, vigente desde su emisión [6]. La directriz describe la postura actual del regulador y establece que no tiene fuerza legal obligatoria. Abarca la ubicación de los datos fuente y la captura directa, el acceso basado en roles con usuarios con privilegios independientes de la conducción del ensayo, pistas de auditoría generadas informáticamente y con marca de tiempo con una lista mínima de campos, contratos con proveedores y calificación de proveedores de servicios en la nube, incluida la aceptación de auditorías o inspecciones. La directriz también indica cuándo un punto de datos puede configurarse para autocompletado [6]. Consulte la Sección 5.1 de esta guía.
  • Segunda edición de ISPE GAMP 5 y Guía de IA de GAMP: En el ámbito de la ingeniería y la validación, la International Society for Pharmaceutical Engineering (ISPE) publicó la guía GAMP Guide: Artificial Intelligence en julio de 2025 como una guía independiente destinada a utilizarse junto con GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems (Second Edition) [23]. El índice publicado abarca las fases de concepto, proyecto, operación y retiro, la gestión de riesgos de calidad, las actividades y gestión de proveedores, el pensamiento crítico, la división de datos, la gestión operativa de cambios y configuración, y el monitoreo del modelo y la detección de deriva [23].

Matriz global de situación regulatoria de IA/ML en sistemas para ensayos clínicos (2026)

Reglamentos vinculantes, directrices adoptadas y borradores para Estados Unidos, la UE y China, con hallazgos del entorno controlado de pruebas de dispositivos médicos con IA del Reino Unido.

Desplácese horizontalmente para ver la figura completa.

Jurisdicción / OrganismoInstrumento regulatorio y estado formalFecha de entrada en vigor / aplicaciónImpacto operativo en la cualificación del software de ensayos
Estados Unidos (FDA)IA en la toma de decisiones sobre medicamentos (expediente FDA-2024-D-4689) — Borrador de guía (no para implementación)Publicada el 6 de enero de 2025; cierre de comentarios el 7 de abril de 2025El alcance del borrador de la FDA se define en la Sección II. Las reuniones formales incluyen INTERACT o Pre-IND. La Tabla 1 incluye otras vías de interacción como C3TI.
Estados Unidos (FDA)ICH E6(R3) Buena Práctica Clínica (expediente FDA-2023-D-1955) — Guía final de nivel 1Publicada en septiembre de 2025La guía final de septiembre de 2025 es anterior al Anexo 2 final de la ICH. La FDA aún listaba su Anexo 2 por separado como borrador el 13 de noviembre de 2026.
Estados Unidos (FDA)Preguntas y respuestas sobre sistemas y firmas electrónicos, Rev. 1 — Guía final (recomendaciones no vinculantes)Octubre de 2024Interpreta la norma vinculante 21 CFR Parte 11; definiciones de copia certificada (Q3), captura del registro de auditoría (Q12) y controles de zona horaria o reloj GMT (Q14).
Estados Unidos (FDA)Aseguramiento de software informático (CSA, expediente FDA-2022-D-0795) — Guía final (no vinculante)Reemitida el 3 de febrero de 2026Se alinea con el QMSR (21 CFR Parte 820); distingue las pruebas con guion de las pruebas sin guion (incluidas las pruebas exploratorias); adaptable a herramientas eClinical.
Estados Unidos (FDA)PCCP para software de dispositivos con IA (expediente FDA-2022-D-2628) — Guía final (no vinculante)Reemitida el 18 de agosto de 2025Vía opcional de presentación poscomercialización para dispositivos comerciales; no autoriza cambios en el algoritmo a mitad del ensayo en estudios en investigación IND/IDE.
Estados Unidos y UE (FDA / EMA)Principios rectores de buenas prácticas de IA en el desarrollo de medicamentos — 10 principios conjuntos (no vinculantes)Enero de 2026Diez principios generales que abordan el diseño centrado en el ser humano, la adhesión a estándares, la gestión del ciclo de vida, la evaluación de riesgos y la gobernanza de datos.
ICHDirectriz ICH E6(R3) de Buena Práctica Clínica — Directriz consolidada final del Paso 4Paso 4 consolidado adoptado el 16 de junio de 2026La ICH recomienda fecha y hora inequívocas, con UTC como ejemplo, revisión de metadatos y validación proporcional al riesgo.
Unión Europea (EMA)Implementación regional de ICH E6(R3) — Directriz científica del CHMP de la EMAPrincipios y Anexo 1: 23 de julio de 2025; Anexo 2 y consolidada: 15 de enero de 2027Directriz regional adoptada en la UE; establece la expectativa regulatoria para los sistemas informatizados de GCP y la gobernanza de pistas de auditoría basada en el riesgo.
Unión EuropeaReglamento sobre ensayos clínicos (UE) n.º 536/2014 — Reglamento de la Unión Europea directamente vinculanteAplicable desde el 31 de enero de 2022, con disposiciones transitorias del artículo 98Se aplica a los ensayos autorizados en virtud del Reglamento. Para ensayos anteriores, determine el régimen a partir del historial de autorización y transición. El artículo 47 exige tener debidamente en cuenta las directrices de GCP de la ICH.
Unión Europea (EMA)Sistemas informatizados en ensayos clínicos (EMA/INS/GCP/112288/2023) — Directriz del IWG de GCPVigente desde el 9 de septiembre de 2023Las expectativas generales cubren la IA para reclutamiento, elegibilidad, codificación, aclaración de datos, consultas y adjudicación de eventos. La EMA reservó los requisitos específicos de IA para un posible anexo futuro.
Unión Europea (EMA)Documento de reflexión sobre IA (EMA/CHMP/CVMP/83833/2023) — Documento de reflexión no vinculanteAdoptado en septiembre de 2024Sección 2.3.3.3: la EMA espera que los modelos y el preprocesamiento utilizados para las pruebas de hipótesis se congelen y documenten antes del cierre de la base de datos.
Unión EuropeaReglamento de IA de la UE (2024/1689) y Ómnibus Digital (2026/1744) — Reglamentos de la UE directamente vinculantesReglamento de IA en vigor el 1 de agosto de 2024. Ómnibus en vigor el 27 de julio de 2026. El artículo 50(1) se aplica el 2 de agosto de 2026.Divulgación conforme al artículo 50(1) cuando corresponda. Las secciones 1–3 del capítulo III, salvo el artículo 6(5), se aplican a los sistemas de alto riesgo del anexo III a partir del 2 de diciembre de 2027 y a los sistemas de alto riesgo del anexo I a partir del 2 de agosto de 2028.
Reino Unido (MHRA)AI Airlock — entorno controlado de pruebas regulatorias para dispositivos médicos con IAInforme de la fase 2 en junio/julio de 2026; fase 3 lanzada en octubre de 2026En la fase 2 se seleccionaron 7 candidatos entre 51 solicitudes. El informe analiza la complacencia ante la automatización y no establece ningún requisito de GCP para el software de ensayos.
República Popular China (NMPA / NHC / NATCM / NDCPA)Buenas Prácticas Clínicas para Medicamentos (Revisión de 2026, Anuncio 2026 n.º 50) — Anuncio (GCP nacional vinculante)Emitido el 21 de mayo de 2026; en vigor desde el 1 de septiembre de 2026Publica las Buenas Prácticas Clínicas para Medicamentos revisadas y deroga el anuncio de 2020.
República Popular China (CDE)Directriz sobre sistemas computarizados y datos electrónicos en ensayos clínicos de medicamentos (Aviso del CDE 2026 n.º 44). La directriz indica que no tiene fuerza legal obligatoria.Emitida y en vigor el 22 de septiembre de 2026Captura directa desde la fuente, segregación de funciones e independencia de usuarios con privilegios, registros de auditoría con marca de tiempo, contratos y calificación de proveedores, y límites al llenado automático.

Los reglamentos vinculantes definen obligaciones legales. El Reglamento sobre ensayos clínicos de la UE también exige tener debidamente en cuenta las directrices de GCP de la ICH. El informe AI Airlock del Reino Unido describe un entorno controlado de pruebas.

Fuente: Sintetizado por EClinCloud a partir de textos oficiales: FDA de EE. UU. (expedientes FDA-2024-D-4689, FDA-2023-D-1955, FDA-2022-D-0795, FDA-2022-D-2628), Diario Oficial de la UE (Reglamentos 2024/1689, 2026/1744, 536/2014), CHMP de la EMA e IWG de GCP (EMA/INS/GCP/112288/2023, EMA/CHMP/CVMP/83833/2023), ICH (E6(R3)), MHRA del Reino Unido y NMPA/CDE de China.

2. Evaluaciones publicadas, 2025–2026

Los estudios incluyen un despliegue de REDCap, un experimento retrospectivo de tickets de soporte, un modelo de riesgo de centros de investigación con validación externa, un estudio de validación lingüística que combina una revisión, una encuesta y entrevistas, y dos revisiones de uso clínico y registros regulatorios.

Shyr y colaboradores estudiaron el despliegue de enero a agosto de 2025 de la IA de REDCap 15.0. Los administradores de 18 instituciones activaron las funciones desactivadas por defecto. En 958 proyectos de Vanderbilt, las funciones generaron 2,801 llamadas de redacción, 2,720 de resumen y 200 de traducción. El artículo informa sobre la adopción y el recuento de llamadas. La precisión y la eficacia de los resultados quedaron fuera de su evaluación [10].

Carroll y colaboradores evaluaron modelos de lenguaje de gran tamaño en la gestión de consultas de soporte a usuarios en la Universidad de Míchigan [24]. Al analizar una muestra de 90 tickets de soporte extraídos de 6,316 solicitudes históricas enviadas durante 2023, los investigadores compararon cuatro configuraciones de GPT-4o: GPT-4o predeterminado, GPT-4o complementado con documentación de Vanderbilt, GPT-4o con documentación de la Universidad de Míchigan y GPT-4o con documentación combinada [24]. El modelo demostró una sólida concordancia con la categorización de expertos humanos, alcanzando valores kappa de Cohen de aproximadamente 0.85 y una precisión de categorización de entre el 81% y el 89% [24]. Sin embargo, en la tarea de calificación de la complejidad de los tickets, las configuraciones con recuperación sobreestimaron la complejidad de los tickets; para la generación de borradores de respuesta, la configuración con documentación de la Universidad de Míchigan produjo la mayor cantidad de respuestas correctas, generando respuestas sustancial o totalmente correctas en aproximadamente dos tercios de los tickets rutinarios de complejidad baja a moderada [24]. Los autores concluyeron que los LLM resultan genuinamente prometedores para el triaje automatizado de soporte cuando cuentan con supervisión humana continua, refinamiento de los prompts y una documentación local ampliada [24].

Yang desarrolló un modelo de calificación de centros de investigación con 460 centros de investigación de 42 estudios de ATTR-CM y utilizó 761 centros de investigación de 89 estudios de DMD para la validación externa. Una máquina de vectores de soporte obtuvo el mejor desempeño en el entorno de desarrollo. El estudio verificó subgrupos por región geográfica y tipo de centro de investigación, e informó una precisión del 81.21% en la evaluación externa. Sus características de DMD utilizaron variables indirectas (proxies). El estudio carecía de resultados reales de referencia de monitoreo y dejó sin probar en el despliegue los efectos operativos proyectados [25]. EClinCloud recomienda probar una clasificación propuesta frente a los resultados reales de monitoreo antes de utilizarla para asignar esfuerzos.

McKown y colegas combinaron una revisión de la literatura, entrevistas con especialistas en IA y una encuesta a 50 partes interesadas. Entre los encuestados había titulares de derechos de autor de instrumentos, investigadores de COA o de resultados de la industria farmacéutica, profesionales de traducción, eCOA e IA, y autores del trabajo previo de ISPOR. Sus recomendaciones ponderan la capacidad técnica y la eficiencia junto con la protección de la propiedad intelectual, la privacidad y seguridad de los datos y la participación de los pacientes. Respaldan el uso de IA con supervisión humana en la mayoría de los pasos de validación lingüística y recomiendan excluir la IA de la reconciliación, la revisión clínica y la realización de entrevistas de interrogatorio cognitivo. Recomiendan una revisión humana en cada paso [26]. La revisión de Karako y Gao informa evidencia de equivalencia con lectores expertos en la medición automatizada de la fracción de eyección del ventrículo izquierdo. Identifican la generalización entre proveedores, la equidad entre subgrupos y los cambios de algoritmo durante un ensayo como desafíos abiertos [27].

Thierry y sus colegas revisaron 60 aprobaciones relacionadas con tecnologías de salud digital desde septiembre de 2021 hasta marzo de 2025. Las herramientas electrónicas de resultados informados por el paciente representaron el 70% de las herramientas de salud digital estudiadas. Los autores no encontraron ninguna aprobación basada únicamente en una variable de valoración primaria derivada de una tecnología de salud digital [28].

3. Clasificación de cada función según su contexto de uso

Evalúe la función en su flujo de trabajo real. Un analizador de configuración de estudios, un asistente orientado al participante y una herramienta que calcula una variable de valoración requieren cada uno un plan de pruebas diferente. El borrador sobre IA de la FDA, la sección 4.3.4 de ICH E6(R3) y los principios de CSA basados en el riesgo fundamentan la evaluación propuesta [1] [2] [14].

3.1 El filtro de tres preguntas

El borrador de guía de la FDA (FDA-2024-D-4689) conceptualiza el riesgo mediante dos dimensiones fundamentales: Influencia del modelo y Consecuencia de la decisión [1]. En nuestro marco operativo que adapta estos conceptos, definimos tres niveles para cada factor:

  • Influencia del modelo:
    1. Influencia baja: La IA proporciona únicamente asistencia preparatoria, informativa o de redacción preliminar sujeta a revisión y verificación humana independiente y exhaustiva antes de tomar cualquier medida.
    2. Influencia media: La IA genera borradores de configuraciones estructuradas, clasificaciones o alertas operativas que orientan o priorizan directamente la revisión humana, donde los revisores humanos verifican los resultados conforme a criterios objetivos establecidos.
    3. Influencia alta: La decisión depende sustancialmente del resultado del modelo, con una comprobación independiente limitada de dicho resultado antes de su uso. Evalúe la dependencia por separado del daño o la alteración que podría causar un error.
  • Consecuencia de la decisión:
    1. Consecuencia baja: Ineficiencia operativa o administrativa menor; sin impacto en la seguridad ni en los derechos de los participantes, en el cumplimiento del protocolo ni en la integridad de la evidencia del ensayo clínico.
    2. Consecuencia media: Posibles distorsiones en la asignación de recursos operativos, en la documentación GCP no crítica o retrasos en la resolución de consultas, fácilmente detectados y corregidos durante la gestión rutinaria de datos.
    3. Consecuencia alta: Amenazas directas a la seguridad de los participantes, desenmascaramiento de los tratamientos aleatorizados, afectación de las variables de valoración de eficacia primarias o secundarias clave, o sesgo sistemático en las presentaciones regulatorias.

Aplique el filtro de tres preguntas a cada capacidad de IA bajo revisión.

Pregunta de filtrado Criterios de evaluación Determinación resultante
Pregunta 1: Escrituras no confirmadas ¿Puede la función escribir en un registro regulado del ensayo sin una decisión humana autenticada y atribuible? Una función con escrituras no confirmadas solo es elegible bajo la autorización de Nivel 4 que se describe a continuación. Para una función sin escrituras no confirmadas, continúe con la Pregunta 2.
Pregunta 2: Proximidad a los participantes y a las decisiones ¿Qué hace la función en el flujo de trabajo previsto? 2A: Asigne el Nivel 4 si la función determina el valor de la variable de valoración, el grado de gravedad, la dosis o la elegibilidad sin una decisión humana independiente. Envíe el marcado consultivo a la Pregunta 3. 2B: Aplique las salvaguardas exclusivas de navegación de Nivel 1 a la ayuda técnica orientada al participante. Dirija otras funciones orientadas al participante a través de la rama de decisión o de calidad de datos aplicable y evalúe por separado las protecciones para el participante. 2C: Asigne el Nivel 3 a las verificaciones consultivas de calidad de datos fuente de los participantes. 2D: Para otros usos, vaya a la Pregunta 3.
Pregunta 3: Influencia del modelo y consecuencia de la decisión Evalúe ambas utilizando las definiciones anteriores. Lea el nivel resultante en la matriz de consulta.

Para la Pregunta 1, el apartado §6.1.4 de la EMA espera la autorización del investigador para los cambios del promotor en los datos ingresados por investigadores o participantes, ya sean automáticos o manuales [19]. Conforme a la excepción propuesta de Nivel 4, especifique la función y los controles en el protocolo aprobado o en el plan de gestión de datos, obtenga la aprobación por escrito de garantía de calidad del promotor y la autorización del investigador para los cambios en los datos ingresados por investigadores o participantes, y consiga cualquier autorización regulatoria aplicable para el uso previsto. Aplique primero las Preguntas 1 y 2. Cuando alguna de ellas asigne un nivel o retenga la función, esa decisión prevalece. Solo las funciones restantes utilizan la matriz de la Pregunta 3.

Influencia del modelo \ Consecuencia de la decisión Consecuencia baja Consecuencia media Consecuencia alta
Influencia baja Nivel 1 (Asistencia informativa) Nivel 2 (Borrador de configuración) Nivel 2 (Generación de borradores de documentos)
Influencia media Nivel 1 (Priorización del flujo de trabajo) Nivel 2 (Configuración operativa) Nivel 3 (Extracción y vigilancia RBQM)
Influencia alta Nivel 2 (Enrutamiento de consultas internas de capacitación no críticas fuera de los registros del ensayo) Nivel 3 (Priorización de una cola de revisión operativa no crítica principalmente a partir de la puntuación de un modelo) Nivel 4 (Alta dependencia y alta consecuencia después de las Preguntas 1 y 2)
El filtro de tres preguntas

Filtro de tres preguntas para funciones de IA en ensayos clínicos

Comience evaluando si la herramienta puede escribir o decidir de forma independiente. Para las funciones consultivas, utilice la matriz de influencia y consecuencia.

Desplácese horizontalmente para ver la figura completa.

Flujo de trabajoRuta de decisiónConjunto de controles
Escritura independienteRechazar, salvo que la función esté expresamente calificada y autorizada bajo el Nivel 4Nivel 4 si está autorizada
Determinación independiente de variable de valoración, gravedad, dosis o elegibilidadUsar la Rama 2ANivel 4
Navegación técnica para participantesRama 2B fuera de la matriz. Aplicar el Patrón 1 y las salvaguardas para participantes.Nivel 1 con salvaguardas de navegación
Caso A: cola de sugerencias de codificaciónPregunta 3: influencia media, consecuencia altaNivel 3
Caso B: borradores de narrativas de CSR verificados de forma independientePregunta 3: influencia baja, consecuencia altaNivel 2
Alertas consultivas de tamizaje para posible elegibilidadPregunta 3: influencia media, consecuencia altaNivel 3
Borrador de consulta que complementa las verificaciones de edición programadasPregunta 3: influencia media, consecuencia mediaNivel 2
Fuente: Marco propuesto por EClinCloud

3.2 Cuatro niveles de calificación operativa

Sintetizando el riesgo de modelo de dos factores de la FDA, las expectativas de validación de la Sección 4.3.4 de ICH E6(R3) y los principios de GAMP 5, EClinCloud recomienda estructurar la gobernanza de la IA eClinical en cuatro niveles operativos. Cada nivel define posturas de prueba específicas y límites regulatorios:

Nivel 1: Asistencia informativa y administrativa

  • Alcance: Celda típica de la matriz: baja influencia, baja consecuencia. Asistencia en flujos de trabajo orientada al personal (p. ej., bots de navegación de software que responden preguntas sobre el uso de las interfaces de EDC), revisión y corrección de informes de monitoreo del sistema de gestión de ensayos clínicos (CTMS) y redacción de borradores de correspondencia administrativa.
  • Salvaguardas de navegación orientadas al participante. Para asistentes de navegación orientados al participante, aplique la Rama 2B fuera de la matriz. Bloquee el modelo, los prompts y las fuentes de recuperación conforme al Patrón 1 (Sección 4.2). Restrinja el asistente a la navegación técnica. Pruebe el rechazo en todos los idiomas del estudio antes del lanzamiento y después de cambios en los prompts. Diseñe el asistente para que rechace brindar asesoramiento médico, responder preguntas sobre dosificación e interpretar ítems de instrumentos. Utilice una respuesta fija que dirija las inquietudes de salud al personal del centro de investigación o a los servicios de emergencia según corresponda, remita el intercambio marcado al personal del centro de investigación y programe una revisión periódica de los registros por parte del personal del centro de investigación o de seguridad para detectar eventos adversos no reportados. Los controles de rechazo pueden pasar por alto respuestas fuera de alcance, razón por la cual la revisión de registros forma parte del conjunto de controles [21]. Presente los materiales orientados al participante para la revisión aplicable del IRB/IEC. Consulte la Sección 6.2 sobre la divulgación del proveedor.
  • Controles sugeridos: Aplique pruebas no guionizadas y exploratorias de CSA [14]; imponga cero acceso de escritura directa a las bases de datos clínicas; ejecute pruebas de regresión después de actualizaciones de los POE o de la documentación del software; y mantenga avisos de descargo de responsabilidad en la interfaz de usuario que aclaren que la orientación es generada por computadora.

Nivel 2: Configuración en borrador previa a la producción y clasificación operativa

  • Alcance: Celda típica de la matriz: influencia media, consecuencia media. Análisis de protocolos de ensayos clínicos mediante modelos de lenguaje de gran tamaño para generar borradores de cronogramas de formularios electrónicos de reporte de casos (eCRF), matrices de visitas y especificaciones de controles de edición; configuración asistida por IA de los parámetros de suministro y las configuraciones de empaque de RTSM; clasificación automatizada de documentos del Archivo Maestro del Ensayo (Trial Master File) según estructuras estandarizadas (p. ej., TMF Reference Model); y traducción automatizada en borrador de documentos administrativos del estudio.
  • Controles sugeridos: Mantenga las herramientas de configuración antes de la puesta en producción. La elaboración de borradores durante el estudio también puede calificar cuando la revisión se realice antes de su uso. Las configuraciones generadas se tratan como borradores no verificados. Los gestores de datos, bioestadísticos, especialistas en TMF y responsables de aleatorización revisan, prueban y aprueban de forma independiente todas las configuraciones. Utilice pruebas de aceptación del usuario guionizadas para las configuraciones críticas del estudio antes de su lanzamiento. Las secciones 4.3.4(c) y (e) de la guía ICH E6(R3) recomiendan la validación antes del uso, incluidas la funcionalidad estándar, las configuraciones específicas del estudio y las interfaces [2].

Nivel 3: Extracción de datos regulados, control de calidad de la captura y vigilancia RBQM

  • Alcance: Celda típica de la matriz: influencia media, consecuencia alta. Reconocimiento óptico de caracteres (OCR) aumentado por recuperación que extrae valores de laboratorio de registros hospitalarios hacia borradores de eCRF; verificaciones en tiempo real de calidad de imagen de cámara en eCOA (detección de desenfoque, reflejos o ángulos incorrectos en diarios fotográficos); enmascaramiento automatizado de información de identificación personal (PII) en digitalizaciones fuente; y puntuación de riesgo a nivel de centro de investigación mediante aprendizaje automático y vigilancia de límites de tolerancia de calidad (QTL) dentro de plataformas de gestión de calidad basada en el riesgo (RBQM) [25][29]. En el ejemplo de riesgo del centro de investigación, la puntuación tiene influencia media cuando el personal toma la decisión final y consecuencia alta cuando pasar por alto una señal podría retrasar la acción ante un problema grave de integridad de los datos o de seguridad del participante.
  • Controles sugeridos: Imponga instantáneas de modelos aprobadas o recalibración acotada conforme al Patrón 2 cuando corresponda; ejecute pruebas de aceptación de usuario (UAT) guionizadas mediante conjuntos de pruebas de referencia (golden benchmark); implemente arquitecturas de linaje de fuente que vinculen las copias de trabajo con datos censurados con los registros fuente controlados por el investigador; registre bitácoras auxiliares (sidecar) inmutables de inferencia y de disposición humana; y exija confirmación humana autenticada antes de la escritura. Evalúe la presentación de los valores propuestos frente a la sección 4.7 de la EMA y la guía sobre llenado automático del CDE, ambas descritas en la Sección 5.1 de esta guía.

Nivel 4: Funciones clínicas de máximo control

  • Alcance: Celda típica de la matriz: alta influencia, alta consecuencia. Cuantificación automatizada mediante visión por computadora de variables de valoración de ensayos clínicos (p. ej., puntuación de la FEVI ecocardiográfica, medición radiográfica de lesiones o histología digital) [27]; biomarcadores digitales algorítmicos derivados de sensores portátiles que respaldan declaraciones de eficacia primaria o secundaria; y algoritmos adaptativos de triaje de pacientes que determinan la elegibilidad para el ensayo o la dosificación en investigación. (Nota: Los flujos de trabajo de Comité de Revisión Independiente (IRC) dirigidos por humanos —en los que especialistas clínicos revisan imágenes médicas y registran las calificaciones de los lectores— siguen siendo evaluaciones clínicas humanas y no herramientas automatizadas de puntuación por IA.)
  • Postura regulatoria y de pruebas: El Nivel 4 designa un conjunto de controles propuesto. La condición de dispositivo médico conforme a la sección 201(h) de la Ley FD&C, el MDR o el IVDR constituye una determinación independiente. En los Estados Unidos, las funciones de dispositivos en investigación que cumplen los requisitos se rigen por el 21 CFR Parte 812 (IDE) [13]. En el caso de las investigaciones realizadas bajo una IDE aprobada, las modificaciones durante el ensayo deben evaluarse conforme al 21 CFR 812.35. En la Unión Europea, las investigaciones clínicas de software que constituye un dispositivo médico se rigen por los artículos 62 a 82 y el Anexo XV del MDR, y se llevan a cabo habitualmente conforme a la norma ISO 14155 [30]. El software que califica como dispositivo de diagnóstico in vitro está sujeto a los requisitos de estudios del funcionamiento del Reglamento (UE) 2017/746 (IVDR). El software de histología digital que analiza muestras de tejido puede entrar en este grupo, según su finalidad prevista. Evalúe por separado la clasificación conforme a la Ley de IA de la UE (véase la Sección 6.2). La EMA espera que los modelos pivotales de prueba de hipótesis y el preprocesamiento estén congelados y documentados antes del cierre de la base de datos y respalda la validación clínica prospectiva en entornos de alto impacto [9]. EClinCloud también sugiere una adjudicación independiente enmascarada cuando sea adecuado.

Matriz de clasificación de riesgo según el contexto de uso para funciones de software de ensayos clínicos

La evaluación de las funciones de software del ensayo según la influencia del modelo y la consecuencia de la decisión establece controles de calificación proporcionales, desde las pruebas exploratorias hasta la validación clínica prospectiva.

Desplácese horizontalmente para ver la figura completa.

Nivel de calificaciónCelda típica de la matriz o rama asignadaFunciones de software representativasMarco regulatorio y alcance legalControles sugeridos de pruebas y gobernanza
Nivel 1: Asistencia informativa y administrativaBaja influencia, baja consecuenciaBots de navegación orientados al personal; corrección de informes de monitoreo de CTMS; redacción administrativa.Lectura de EClinCloud: la exclusión del borrador de la FDA depende de los efectos sobre la seguridad del paciente, la calidad del fármaco o la confiabilidad de los resultados del estudio. Obligación del proveedor conforme al artículo 50(1) cuando aplique el Reglamento de la UE.Pruebas exploratorias y sin guion conforme a CSA; cero permisos de escritura en la base de datos; avisos de descargo de responsabilidad en la interfaz; verificaciones de regresión tras actualizaciones de POE.
Nivel 1 (Excepción orientada al participante)Rama 2B fuera de la matrizAsistentes móviles para pacientes de eCOA que responden preguntas sobre carga del dispositivo, programación de alarmas o navegación.Obligación del proveedor conforme al artículo 50(1) cuando aplique el Reglamento.Bloqueo del Patrón 1. Probar el rechazo en todos los idiomas del estudio. Dirigir las consultas de salud al personal del centro de investigación o a los servicios de emergencia, enrutar las alertas y revisar los registros. Presentar los materiales aplicables para revisión del IRB/IEC.
Nivel 2: Configuración de borradores en preproducciónInfluencia media, consecuencia mediaBorradores de matrices de eCRF/visitas, reglas de RTSM y clasificación de eTMF. Los borradores de narrativas de seguridad de CSR verificados de forma independiente son de baja influencia y alta consecuencia (Caso B).Lectura de EClinCloud: el alcance del borrador de la FDA depende de los efectos sobre la seguridad, la calidad del fármaco y la confiabilidad de los resultados del estudio. La revisión independiente orienta la evaluación.Las secciones 4.3.4(c) y (e) de ICH E6(R3) recomiendan la validación antes de su uso. EClinCloud sugiere pruebas de aceptación de usuario (UAT) con guion y revisión de los borradores.
Nivel 3: Extracción de datos y vigilancia reguladasInfluencia media, consecuencia altaExtracción OCR de laboratorio a borradores de eCRF; controles de calidad de imagen en tiempo real en eCOA; ocultación automatizada de PII; puntuación de riesgo de centros de investigación en RBQM y monitoreo de QTL.La Parte 11 aplica cuando el sistema está dentro del alcance. ICH E6(R3) 4.2.2 recomienda controles de pista de auditoría.Aplique bloqueos de protocolo para la extracción o recalibración acotada para la puntuación calificada de RBQM. Realice pruebas utilizando casos de referencia y conserve las bitácoras auxiliares (sidecar). Evalúe cómo se muestran los valores propuestos frente a la sección 4.7 de la EMA y la guía sobre llenado automático del CDE, ambas descritas en la Sección 5.1 del artículo.
Nivel 4: Funciones clínicas de máximo controlAlta influencia, alta consecuenciaPuntuación ecocardiográfica automatizada de la FEVI; cuantificación radiográfica de lesiones; biomarcadores digitales de sensores portátiles que respaldan afirmaciones de eficacia primaria.Evalúe la condición de dispositivo por separado. Cuando la función cumpla con la definición de dispositivo, aplique los requisitos pertinentes de la FDA para investigación o del MDR/IVDR de la UE y evalúe el alcance de la Ley de IA.La EMA espera que los modelos y el preprocesamiento para las pruebas de hipótesis estén congelados y documentados antes del bloqueo de la base de datos. EClinCloud sugiere una adjudicación ciega cuando sea adecuado.

Los niveles y los controles sugeridos representan recomendaciones de EClinCloud; las clasificaciones legales reflejan los marcos normativos aplicables.

Fuente: Sintetizado por EClinCloud adaptando el borrador de guía de la FDA (FDA-2024-D-4689), la Sección 4.3.4 de ICH E6(R3) y los principios de GAMP 5.

3.3 Ejemplos prácticos de clasificación para funciones comunes de software de ensayos

Para demostrar cómo se aplica el filtro de tres preguntas a funciones habituales del software de ensayos, considere cinco implementaciones representativas:

  • Caso A: Sugerencias de codificación MedDRA en EDC: Una plataforma de EDC integra un modelo de embeddings que sugiere Términos de Nivel Más Bajo y Términos Preferidos del Diccionario Médico para Actividades Regulatorias (MedDRA) para los términos literales de eventos adversos ingresados por los coordinadores de los centros de investigación.

    Evaluación inicial: La directriz de la EMA menciona la codificación en su alcance [19]. La confirmación automática utiliza la regla de autorización de la Pregunta 1. En la cola de sugerencias, un codificador médico acepta o anula activamente el código. La Rama 2D lo envía a la Pregunta 3. La influencia es media porque la sugerencia orienta la revisión. La consecuencia es alta porque una codificación errónea puede ocultar señales de seguridad.

    Resultado: Nivel 3 (Extracción de datos regulados y asistencia en codificación). Al operar dentro de la gestión activa de datos de ensayos clínicos, requiere controles de Nivel 3, incluidos la validación del diccionario mediante un conjunto de referencia (golden set), el registro de anulaciones y la confirmación obligatoria por parte de un codificador médico humano.

  • Caso B: Generación automatizada de narrativas de seguridad para el Informe del Estudio Clínico (CSR): Una herramienta de CDMS o de redacción médica utiliza un LLM para redactar borradores de narrativas de seguridad de los pacientes a partir de bases de datos de eventos adversos, listados de laboratorio y medicación concomitante.

    Evaluación inicial: El resultado sigue siendo un borrador. Según la Pregunta 3, la consecuencia es alta y la influencia es baja cuando un redactor médico verifica de forma independiente el contenido frente a la fuente. EClinCloud considera que la prueba de alcance de la Sección II del borrador de la FDA depende de la influencia real sobre la seguridad del paciente, la calidad del medicamento o la confiabilidad de los resultados del estudio. La verificación independiente respalda esta evaluación sin decidir el alcance legal [1].

    Resultado: Nivel 2. Valide el flujo de trabajo de borradores y registre la revisión frente a los listados fuente.

  • Caso C: Asistente de navegación para participantes en eCOA: Un asistente conversacional integrado en una aplicación móvil de eDiary responde preguntas de los participantes sobre la carga del dispositivo, la programación de alarmas del diario y la navegación por la aplicación.

    Evaluación inicial: Pregunta 1: ¿Privilegio de escritura? Sin acceso de escritura a las respuestas de las encuestas. Pregunta 2: ¿Proximidad? Orientado directamente al participante, lo que activa la Rama 2B.

    Resultado: Nivel 1 con salvaguardas de navegación. Aplique el bloqueo del Patrón 1 y las salvaguardas para participantes de la Sección 3.2.

  • Caso D: Herramienta automatizada de preselección de elegibilidad de pacientes: Un algoritmo de tamizaje en la historia clínica electrónica (EHR) señala posibles candidatos para el ensayo a los coordinadores de estudio del centro de investigación según los criterios de inclusión y exclusión del protocolo.

    Evaluación inicial: La directriz de la EMA menciona el reclutamiento y la elegibilidad [19]. El personal del centro de investigación ve una señal orientativa y decide la elegibilidad de forma independiente. Según la Pregunta 3, la influencia es media y la consecuencia es alta.

    Resultado: Nivel 3. Pruebe una muestra tanto de registros no señalados como de registros señalados. Un algoritmo que determina la elegibilidad sin una decisión humana independiente utiliza la Rama 2A y los controles del Nivel 4.

  • Caso E: Asistente automatizado de redacción de borradores de discrepancias y consultas (queries): Una herramienta de gestión de datos analiza los datos del eCRF frente a las reglas del protocolo y redacta propuestas de consultas (queries) para su revisión por parte del gestor de datos antes de enviarlas a los centros de investigación.

    Evaluación inicial: La directriz de la EMA menciona los procesos de aclaración de datos y de consultas [19]. La herramienta complementa las verificaciones de edición programadas (edit checks). El gestor de datos verifica las consultas propuestas antes de su transmisión. En este ejemplo prioriza la revisión, por lo que la influencia es media y la consecuencia es media por retraso en la resolución.

    Resultado: Nivel 2. Pruebe la precisión de los borradores e inspeccione una muestra de registros no señalados para detectar discrepancias omitidas. Reevalúe la consecuencia si reemplaza una verificación de edición establecida.

4. Control de versiones, gobernanza de cambios y salvaguardas contra la deriva silenciosa

La validación convencional de sistemas computarizados evalúa una versión de software, una configuración, un estado del sistema y un entorno operativo controlados. Las implementaciones de IA pueden cambiar mediante puntos de control (checkpoints) o parámetros del proveedor, actualizaciones de las fuentes de recuperación y variaciones en las entradas encontradas entre distintas regiones o entornos clínicos. Registre qué entradas y condiciones de tiempo de ejecución cubre la validación.

4.1 Realidades de despliegue: resúmenes criptográficos autoalojados frente a modelos alojados en la nube

Una distinción práctica de ingeniería que los responsables de aseguramiento de la calidad deben reconocer es que los mecanismos de bloqueo de versiones difieren entre los modelos autoalojados y las API comerciales en la nube de terceros:

  • Modelos autoalojados y de pesos abiertos. Registre las huellas digitales SHA-256 de los pesos aprobados, las imágenes de contenedor, la configuración y las dependencias de inferencia. Restrinja los despliegues a los artefactos aprobados y verifique las huellas digitales de lo que carga realmente el entorno de ejecución. Las restricciones de cambios y las verificaciones de liberación proporcionan el control. Una huella digital identifica la versión que se verifica.
  • API de nube comercial y de hiperescaladores: Cuando el software del ensayo se conecta a modelos propietarios en la nube mediante API externas, los proveedores generalmente no exponen los pesos del modelo, las arquitecturas neuronales ni los resúmenes criptográficos. Además, los hiperescaladores retiran los puntos de control de los modelos según calendarios comerciales que pueden entrar en conflicto con los plazos plurianuales de los ensayos clínicos. Asimismo, los ajustes de temperatura en cero reducen, pero no eliminan por completo, el no determinismo de las salidas en clústeres de GPU distribuidos. Para las API en la nube, solicite la evidencia disponible del proveedor sobre el control de cambios y un identificador de modelo fijado y con fecha (p. ej., que haga referencia a una fecha de publicación estática específica en lugar de un alias flotante como -latest).

Salvaguardas contra la deriva silenciosa en API alojadas: Un identificador de API estable confirma la etiqueta. Los resultados de las pruebas revelan si el comportamiento ha cambiado. Para protegerse frente a ajustes silenciosos de parámetros bajo un identificador sin cambios, recomendamos que los promotores exijan reejecuciones periódicas programadas del golden set (p. ej., mensuales o trimestrales). El proveedor o el promotor ejecuta un conjunto automatizado de pruebas comparativas a través del punto de conexión activo de la API y mide, frente a un umbral predefinido, la proporción de campos numéricos del golden set que difieren de la referencia, incluidos los campos faltantes. Suspenda el uso de la función afectada para investigarla y repetir las pruebas si la proporción supera el umbral.

Para gestionar los ciclos de vida de las API de terceros en estudios plurianuales, sugerimos que los promotores incorporen un Protocolo de migración forzada y descontinuación en los acuerdos de calidad con los proveedores:

  1. Aviso previo contractual: El proveedor se compromete contractualmente a proporcionar un aviso previo por escrito antes del retiro, la discontinuación o la modificación de parámetros de cualquier punto de conexión subyacente de un modelo de terceros (un objetivo inicial ilustrativo de 30 días, vinculado a la política comercial de notificación publicada por el proveedor).
  2. Pruebas de concordancia con el conjunto de referencia: Al recibir el aviso de discontinuación, el proveedor y el promotor ejecutan una evaluación comparativa que compara el modelo saliente con el reemplazo designado en una batería de pruebas de referencia validada, midiendo la concordancia de los resultados frente a bandas de tolerancia predefinidas.
  3. Evaluación de impacto según ICH E6(R3): De acuerdo con la sección 4.3.4(c) de ICH E6(R3), que señala que la validación debe evaluar el impacto de los cambios de software tanto en los datos históricos como en los datos futuros del ensayo, los equipos de gestión de datos y bioestadística documentan si la migración del modelo podría introducir un sesgo sistemático o cambios en los patrones de extracción de datos [2].
  4. Informe puente documentado para el TMF: La justificación del control de cambios, los resultados de la evaluación comparativa y la evaluación de riesgos se documentan en un informe puente formal del Archivo Maestro del Estudio (TMF) aprobado por garantía de calidad (QA) antes de la transición a producción.

4.2 Tres patrones de gobernanza de cambios y la postura de la EMA sobre los modelos congelados

Para alinear el mantenimiento del software con las expectativas regulatorias, recomendamos asignar cada capacidad de IA a uno de tres patrones de gobernanza de cambios antes de la inclusión del primer paciente (FPI):

Patrón de gobernanza de cambios Alcance y niveles aplicables Mecanismo técnico Gobernanza de calidad y validación
Patrón 1: Instantánea inmutable bloqueada por protocolo Herramientas de configuración del estudio y de redacción durante el estudio de nivel 2, extracción regulada de nivel 3, algoritmos de nivel 4 congelados para el estudio según la postura aplicable de la EMA y navegación para participantes de nivel 1. Congelar los pesos del modelo mediante SHA-256 (o identificador de API fijado con fecha), los prompts del sistema, los parámetros de decodificación y los índices de recuperación por cada configuración del estudio. Cero cambios permitidos a mitad del ensayo sin control de cambios formal, pruebas de regresión frente a baterías de pruebas de referencia dentro de bandas de tolerancia definidas y aprobación de QA.
Patrón 2: Recalibración operativa acotada Modelos de vigilancia de RBQM / puntuación de riesgo de centros de nivel 3. La recalibración ocurre estrictamente dentro de límites operativos predefinidos, con criterios de convergencia documentados y activadores de reversión automatizados (cuando sea técnicamente viable en versiones autohospedadas o compatibles). Protocolo de cambio acotado preespecificado en el Plan de Gestión de Datos o en el Plan de Monitoreo del ensayo; evaluar los cambios según recomienda la sección 4.3.4(c) de ICH E6(R3) [2].
Patrón 3: Lanzamiento controlado por entorno de cliente (tenant) sin acceso de escritura Asistentes de flujo de trabajo orientados al personal y herramientas administrativas de nivel 1. Actualizaciones periódicas bajo los ciclos de vida de desarrollo de software del proveedor y pruebas sin guion/exploratorias de CSA. Aislamiento lógico respecto a las bases de datos clínicas; cero permisos de escritura; pruebas de regresión sobre los POE actualizados y las salvaguardas de los prompts.

Postura de la EMA sobre los modelos congelados en ensayos pivotales: Para los ensayos pivotales de fase avanzada, la sección 2.3.3.3 del documento de reflexión de la EMA requiere realizar pruebas prospectivas de desempeño antes del despliegue en entornos de alto impacto regulatorio, como el análisis de la variable de valoración primaria. Espera que el flujo de preprocesamiento y los modelos utilizados para las pruebas de hipótesis queden congelados y documentados antes del cierre de la base de datos y el posterior desenmascaramiento. La EMA rechaza el aprendizaje incremental en este contexto y espera una interacción regulatoria para enmendar el plan de análisis estadístico si un modelo cambia durante el ensayo [9]. Utilice el Patrón 1 para el análisis confirmatorio. Evalúe el Patrón 2 por separado para un uso operativo como la puntuación de centros de RBQM, incluyendo si el cambio podría alterar la captura de datos de variables de valoración o el monitoreo.

4.3 Validación escalonada previa al lanzamiento y aserciones adversarias de UAT

Inspirándose en los entornos por etapas probados en el programa AI Airlock de la MHRA del Reino Unido [21], EClinCloud recomienda que los promotores implementen un proceso de pruebas de tres etapas previo al lanzamiento antes de desplegar actualizaciones de software de Nivel 3 o Nivel 4:

  • Etapa de simulación: Realice talleres multidisciplinarios de pruebas de estrés que reúnan a gestores de datos, ingenieros de software y coordinadores clínicos para evaluar el comportamiento del modelo en condiciones simuladas exigentes (como fotografías de teléfonos inteligentes de baja resolución, registros clínicos multilingües y valores clínicos extremos) [21].
  • Etapa virtual: Reproduzca conjuntos de datos históricos congelados del ensayo a través del algoritmo actualizado dentro de un entorno sandbox aislado y seguro para evaluar la concordancia con las líneas base históricas validadas, verificando que la varianza de los resultados se mantenga estrictamente dentro de las bandas de tolerancia predefinidas [21].
  • Etapa de despliegue en sombra (extensión operativa de EClinCloud): Como extensión operativa más allá de lo evaluado por el entorno sandbox de la Fase 2 de la MHRA (que probó datos retrospectivos y sintéticos separados de las rutas clínicas) [21], los promotores pueden ejecutar el modelo actualizado de forma silenciosa en paralelo con el sistema de producción validado existente durante un período ilustrativo de 14 a 30 días. Antes de ejecutarlo en modo sombra, confirme que el procesamiento se mantenga dentro del protocolo, del consentimiento y de los términos de procesamiento de datos del proveedor. No muestre los resultados en sombra al personal del centro de investigación ni los escriba en los registros del estudio. Esto permite a los ingenieros cuantificar la concordancia de los resultados en flujos de datos clínicos en vivo antes de cambiar los flujos de trabajo principales.

Durante las pruebas formales de aceptación del usuario (UAT), los equipos de aseguramiento de la calidad (QA) del promotor deben ejecutar aserciones adversarias específicas asignadas a los niveles correspondientes:

  1. Verificación de procedencia y metadatos en tiempo de ejecución (Niveles 2, 3, 4): Consulte la API de inferencia y verifique que cada transacción devuelva un model_id_and_version inequívoco (resumen criptográfico SHA-256 para modelos autoalojados; identificador de versión fijado con fecha para API en la nube) y un prompt_or_config_hash que coincida con el expediente aprobado de calificación del proveedor.
  2. Matriz de perturbación de referencia y configuración regional (Niveles 3, 4): Ejecute un paquete de evaluación comparativa automatizado que contenga escaneos clínicos dañados, fotografías móviles inclinadas, etiquetas de medicamentos bilingües y variaciones numéricas regionales (como comas decimales europeas frente a puntos decimales estadounidenses, y formatos de fecha DD-MM-YYYY frente a MM-DD-YYYY). Mida la proporción de campos numéricos de evaluación comparativa que difieren de la referencia, incluidos los campos omitidos. Compárela con el umbral predefinido y retenga el lanzamiento para su investigación y nueva ejecución si supera el umbral.
  3. Calibración de rechazo e incertidumbre (Nivel 1 orientado al participante, Niveles 3, 4): Envíe escaneos completamente ilegibles, documentos recortados y preguntas médicas fuera del alcance. Verifique que el sistema active un indicador explícito de rechazo por baja confianza, solicitando el ingreso manual humano o el escalamiento a un coordinador, en lugar de fabricar valores plausibles.
  4. Aislamiento de borradores no confirmados (Niveles 2, 3): Intente realizar envíos mediante la API programática y la interfaz de usuario para pasar un documento del eTMF al estado Archivado o un campo de datos del eCRF al estado Guardado directamente a partir de una salida de IA sin un evento autenticado de revisión humana. Verifique que el sistema computarizado deniegue estrictamente el acceso de escritura, exigiendo confirmación humana.

5. Registro de la inferencia y la disposición para inspección

Para los sistemas cerrados sujetos a la Parte 11, la norma 21 CFR 11.10(e) exige pistas de auditoría seguras, generadas por computadora y con marca de tiempo que registren de forma independiente la fecha y la hora de las acciones del operador que creen, modifiquen o eliminen registros electrónicos [31]. Como complemento de esta norma vinculante, el documento de preguntas y respuestas sobre sistemas electrónicos de la FDA Q12–Q14 [12], la sección 4.2.2 de ICH E6(R3) [2], la directriz de la EMA EMA/INS/GCP/112288/2023 [19] y la directriz sobre sistemas informatizados del CDE de China [6] recomiendan que los sistemas informatizados mantengan una trazabilidad cronológica completa. Para prepararse para la inspección, compruebe si se puede reconstruir el historial: ¿Puede el promotor reconstruir los datos originales, el evento de inferencia y su disposición posterior, incluida la persona responsable o el actor automatizado autorizado y el estado resultante del registro?

5.1 Modos de fallo forense: prerrellenos fantasma y linaje de origen de las copias de trabajo

Cuando los proveedores de software tratan la inteligencia artificial como una comodidad transitoria en la interfaz de usuario en lugar de un proceso computarizado inspeccionable, surgen dos graves fallos de cumplimiento forense:

  1. Prerrellenados fantasma: Si un modelo de reconocimiento óptico de caracteres o un modelo de lenguaje rellena automáticamente un campo de un eCRF en un navegador web y un coordinador de investigación clínica simplemente hace clic en Guardar, las pistas de auditoría estándar de la base de datos solo registran que el coordinador ingresó los datos. Un evento de guardado por sí solo impide que un auditor distinga una sugerencia automatizada de un valor verificado por el coordinador. Compruebe si otra evidencia conservada permite reconstruir el flujo de trabajo. La sección 4.7 de la EMA desaconseja precargar o rellenar automáticamente los campos, salvo que no sean editables y se deriven de datos ingresados previamente [19]. La guía del CDE de China desaconseja en general configurar los puntos de datos para su rellenado automático, salvo que no sean editables o se deriven de datos ingresados previamente (páginas impresas 3–4) [6]. Ambas abordan el rellenado automático sin mencionar la IA. EClinCloud interpreta la salida de un modelo escrita en un campo editable como una precarga conforme a ambas. Durante la cualificación, verifique si la interfaz mantiene la sugerencia separada del campo hasta que una persona la acepte o la ingrese. En el caso de los prerrellenados editables, documente el riesgo y la evaluación de las guías aplicables. Trate cualquier prerrellenado fuera de las condiciones aplicables como un problema de diseño que debe resolverse antes de la liberación. La sección 4.2.2 de la guía ICH E6(R3) recomienda conservar las acciones relevantes del flujo de trabajo para los datos de mayor criticidad [2]. Los principios de buenas prácticas de IA de la FDA y la EMA respaldan la evaluación del paso de revisión humana en el contexto de uso [11].
  2. Ruptura del linaje de origen tras el ocultamiento automatizado por privacidad: Cuando el software clínico aplica filtros de visión por computadora o de procesamiento del lenguaje natural para ocultar nombres de pacientes, números de documento nacional de identidad o rasgos faciales en historias clínicas cargadas o diarios fotográficos de eCOA, los proveedores a veces sobrescriben o descartan el archivo original sin ocultamiento. Esta práctica socava la integridad de los datos. El documento de preguntas y respuestas sobre sistemas electrónicos de la FDA (Q3) describe una copia certificada como aquella verificada para contener la misma información, incluidos el contexto, el contenido y la estructura, que el original [12]. Por lo tanto, un documento enmascarado o con datos ocultados no es una copia certificada; es una copia de trabajo con datos ocultados. Los documentos fuente originales que contienen identificadores de pacientes deberían permanecer bajo el control legal y físico del investigador clínico en el centro de investigación (o dentro de una partición controlada por el investigador y con acceso segregado), conforme al Principio 1.6 y la Sección 3.16.1(t) de la guía ICH E6(R3) respecto a la confidencialidad de los participantes y las leyes de privacidad aplicables [2]. En nuestra arquitectura recomendada, el sistema accesible para el promotor conserva una copia de trabajo cifrada y con datos ocultados, y la vincula al original custodiado por el centro de investigación mediante un puntero de origen y un resumen SHA-256 generado en el centro de investigación, estableciendo un linaje de origen verificable para respaldar la verificación de datos fuente durante las auditorías.

5.2 Registro sidecar sugerido de eventos de inferencia y disposición

EClinCloud propone un evento de inferencia inmutable para cada invocación de Nivel 2, Nivel 3 o Nivel 4. Agregue una disposición diferenciada vinculada al UUID de la inferencia. En el caso de una sugerencia diferida, conserve el estado inicial y agregue cualquier disposición posterior, manteniendo ambos eventos en orden.

  • inference_event_uuid: identificador único universal que establece una vinculación relacional directa entre el evento de IA y el registro correspondiente de la base de datos clínica (p. ej., un campo del eCRF, una carga en eCOA o un artefacto del eTMF).
  • model_id_and_version: identificador fijo del modelo, digest del contenedor o fecha estática de lanzamiento en la nube. La guía sobre DHT de la FDA recomienda registrar cuándo y cómo se actualizó cada DHT. EClinCloud aplica ese enfoque de mantenimiento de registros a cada registro de modelo [13].
  • prompt_or_config_hash: resumen criptográfico SHA-256 de las instrucciones del sistema, las plantillas de prompts, la instantánea de la base de datos vectorial de RAG, los ajustes de temperatura y los parámetros de umbral de decisión.
  • source_pointer_and_hash: localizador único y hash SHA-256 que vinculan la copia de trabajo cifrada y con datos censurados con el original. Calcule el SHA-256 del original en el centro de investigación al crear la copia de trabajo y almacénelo junto con esta. Verifíquelo mediante el recálculo en el centro de investigación.
  • raw_ai_output_and_score: la sugerencia sin editar de la máquina y su puntuación de confianza cuando esté disponible, conservadas independientemente de lo que ocurra con el registro.
  • disposition_state: registre HUMAN_REVIEWED, AUTHORIZED_AUTOMATED o UNCOMMITTED. Un elemento aplazado permanece sin confirmar hasta que una disposición posterior permita una escritura.
  • human_disposition_action: para la revisión humana efectiva, registre ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY o DEFERRED. Deje este campo vacío cuando no se haya producido revisión.
  • machine_actor_and_authorization_ref: para una disposición automatizada autorizada, identifique el servicio o trabajo en ejecución y vincule el contexto aprobado y las autorizaciones aplicables de la Sección 3.1. Una escritura automatizada sin esos registros no supera la prueba.
  • final_committed_value: para una disposición confirmada tras revisión humana o automatizada autorizada, conserve el resultado exacto escrito en el registro clínico. Deje este campo vacío en una disposición sin confirmar.
  • reviewer_id_and_role: cuando haya revisión humana, registre la identidad autenticada y el rol, respaldando la segregación de roles recomendada en la Directriz 112288/2023 de la EMA [19].
  • override_reason_code: cuando haya revisión humana, registre el motivo siempre que el revisor invalide una sugerencia de alta confianza o acepte una predicción de baja confianza, lo que respalda el análisis de causa raíz de calidad.
  • inference_and_disposition_timestamps: marcas de tiempo UTC de alta precisión para la ejecución y cada disposición posterior, incluida la firma de aprobación humana cuando se haya producido, en coherencia con las recomendaciones de Q14 de la FDA sobre el reloj del sistema y permitiendo el análisis del tiempo de permanencia en revisión [12].
  • review_dwell_seconds: para la revisión humana completada, registre la duración desde la presentación hasta el envío, proporcionando metadatos operativos para evaluar el rigor de la revisión.

Registros y verificación sugeridos de inferencia y disposición

Registre la inferencia y adjunte su disposición atribuible. Utilice evidencia separada para la revisión humana, las escrituras automatizadas autorizadas y los resultados que permanecen sin confirmar.

Desplácese horizontalmente para ver la figura completa.

Nombre del campoTipo de datos y formato de ejemploJustificación regulatoria y de gobernanzaMétodo de verificación UAT recomendado
uuid_del_evento_de_inferenciaCadena UUID (p. ej., 'a1b2c3d4-...')Clave foránea relacional que vincula directamente la inferencia de IA con el registro de la base de datos clínica (eCRF, eCOA, eTMF).Verificar que el evento se resuelva en su registro o borrador previsto y que todos los intentos permanezcan trazables.
id_y_version_del_modeloCadena: ID del modelo + SHA-256 / ID con fechaRegistra la versión exacta del modelo y el identificador de despliegue. La guía sobre DHT de la FDA recomienda un registro de actualización para cada DHT. EClinCloud extiende esto a los registros de modelos.Comprobar que la API devuelva un valor de model_id_and_version coincidente con el dossier aprobado.
hash_de_prompt_o_configCadena: resumen hexadecimal SHA-256 de 64 caracteresIdentifica la instantánea aprobada de prompts, parámetros de decodificación e índices de recuperación.Recalcular el SHA-256 sobre la carga útil del prompt y la configuración; comprobar la coincidencia con el hash de la versión aprobada.
puntero_y_hash_de_fuenteLocalizador de origen y SHA-256 calculado en el centro de investigación al crear la copia de trabajoEstablece el linaje de origen que vincula la copia de trabajo con supresión de datos con el registro original conservado en el centro de investigación.Volver a calcular en el centro de investigación y comparar con el hash conservado.
salida_bruta_ia_y_puntuacionObjeto JSON: texto/valor + puntuación flotanteConserva la sugerencia automatizada sin editar y la puntuación de confianza para reconstruir la predicción inicial.Comprobar que la carga útil de salida contenga la predicción original antes de su visualización en la interfaz humana.
estado_de_disposiciónHUMAN_REVIEWED / AUTHORIZED_AUTOMATED / UNCOMMITTEDDistingue el resultado del evento de inferencia.Reproduzca una sugerencia diferida seguida de una decisión. Verifique que ambas disposiciones permanezcan vinculadas y ordenadas.
actor_de_máquina_y_ref_de_autorizaciónServicio o trabajo en ejecución e ID de registro de aprobación para la automatización autorizadaIdentifica la responsabilidad de la máquina y la autorización de la Sección 3.1.Rechace una escritura automatizada inyectada sin aprobación aplicable. Verifique el actor y la referencia de aprobación en una escritura permitida.
accion_de_disposicion_humanaCondicionado a una revisión humana efectiva: ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY o DEFERRED.Se alinea con los Principios Rectores 1 y 8 de FDA-EMA para evaluar la interacción humano-IA y la supervisión.Pruebe las acciones humanas y verifique que el campo esté vacío cuando ninguna persona haya revisado el resultado.
valor_final_confirmadoCadena / Numérico / Entrada codificadaCaptura el valor escrito por la revisión humana o la automatización autorizada.Compare el valor escrito con la disposición. Verifique que un evento diferido o sin confirmar no tenga ningún valor confirmado.
id_y_rol_del_revisorCadena: ID de usuario autenticado + rolRegistra la revisión humana cuando se produce.Compare la identidad y el rol con la sesión de revisión. Verifique que no se registre ninguna identidad humana para una disposición exclusivamente automatizada.
codigo_de_motivo_de_anulacionEnum / Código categórico + texto opcionalJustificación obligatoria cuando un humano anula un resultado de IA de alta confianza o acepta un resultado de baja confianza.Intentar el envío sin código de motivo al realizar una anulación; verificar que la validación de la interfaz bloquee la confirmación.
marcas de tiempo de inferencia y disposiciónCadena UTC ISO 8601 (YYYY-MM-DDThh:mm:ssZ)Registra las horas UTC de inferencia y disposición, incluida cualquier aprobación humana real.Verificar que las marcas de tiempo se capturen desde relojes del sistema sincronizados por NTP en formato UTC.
segundos_de_permanencia_en_revisionFlotante / Entero (segundos)Entrada opcional de RBQM para la revisión humana completada.Verifique el tiempo transcurrido desde la presentación hasta el envío. Déjelo vacío si no se realizó ninguna revisión humana.

Todos los campos, códigos de motivo y aserciones de verificación representan implementaciones sugeridas por EClinCloud.

Fuente: Diseñado por EClinCloud para operacionalizar 21 CFR 11.10(e), las preguntas Q12–Q14 de Electronic Systems Q&A de la FDA, la sección 4.2.2 de la guía ICH E6(R3) y la directriz 112288/2023 de la EMA.

5.3 Aprovechamiento de los metadatos de auditoría para la vigilancia RBQM y la preparación para inspecciones

La guía ICH E6(R3), Sección 4.2.3, recomienda que los promotores realicen revisiones basadas en el riesgo de los datos clínicos y los metadatos, incluidas las pistas de auditoría [2]. Al agregar metadatos de auditoría a nivel de transacción entre los centros de investigación, los gestores centrales de datos y los responsables de la Gestión de la Calidad Basada en el Riesgo (RBQM) pueden identificar anomalías operativas:

  • Monitoreo de la complacencia ante la automatización mediante el tiempo de permanencia en revisión: Con base en el documento Insight 2 de AI Airlock de la MHRA del Reino Unido sobre la posible erosión de la supervisión humana a lo largo del tiempo [21], los tableros de monitoreo central pueden hacer seguimiento de la Tasa de aceptación de IA junto con el Tiempo medio de permanencia en revisión. Si el personal del centro de investigación registra de manera constante disposiciones ACCEPTED_UNCHANGED en documentos complejos de varias páginas con tiempos de permanencia inferiores a un umbral ilustrativo (p. ej., menos de dos segundos por página), esta señal operativa sirve como motivo de indagación. Los responsables de gestión de datos pueden investigar si los coordinadores están verificando los documentos fuente o aceptando los resultados de forma superficial, y programar reentrenamientos específicos cuando corresponda. Sin embargo, los responsables de QA deben reconocer que el tiempo de permanencia es un indicador indirecto operativo con limitaciones inherentes: un tiempo de permanencia bajo por sí solo es una señal ambigua (por ejemplo, un coordinador puede haber inspeccionado minuciosamente los registros fuente en papel antes de abrir la pantalla del software), y un tiempo de permanencia alto puede reflejar una pantalla que quedó abierta. EClinCloud recomienda informar el tiempo de permanencia a nivel de centro, a menos que los acuerdos del centro y las normas aplicables de protección de datos y laborales permitan el reporte individual.
  • Seguimiento de cambios de distribución regionales mediante tasas de anulación: El monitoreo de la Tasa de anulación humana en los centros de investigación, países y redes de laboratorios alerta a operaciones clínicas sobre cambios de distribución emergentes. Un aumento repentino en las tasas de anulación en centros internacionales recién incorporados puede servir como señal para investigar diferencias en abreviaturas médicas locales, formatos de registros hospitalarios o unidades de laboratorio, identificando la necesidad de ajustes localizados de UAT. EClinCloud sugiere calcular ambas tasas por función, centro y período. Cuente únicamente las disposiciones completadas con revisión humana. Divida las aceptaciones sin edición entre ese denominador para obtener la tasa de aceptación, y divida las ediciones más los rechazos entre el mismo denominador para obtener la tasa de anulación. Excluya los eventos automatizados autorizados. Reporte los aplazamientos por separado e incluya un elemento aplazado en las tasas solo después de su disposición humana completada. Muestre el denominador junto con cada tasa.
  • Exportación de pistas de auditoría cronológicas: Para los sistemas cerrados dentro del alcance de la Parte 11, 21 CFR 11.10(b) aborda las copias para inspección y 11.10(e) aborda las pistas de auditoría [31]. La Sección 4.2.2(c) de ICH E6(R3) recomienda pistas de auditoría y registros interpretables para su revisión [2]. FDA Q12 recomienda conservar las pistas de auditoría en un formato susceptible de búsqueda y ordenamiento, y acepta un formato estático como PDF cuando ello resulte impráctico [12]. EMA §6.2.1 aborda la revisión y exportación [19]. Para la calificación de proveedores, EClinCloud sugiere verificar la exportación del registro de auditoría completo en un formato documentado legible por máquina, como CSV o XML, que pueda abrirse sin herramientas propietarias del proveedor. Obtenga una presentación correspondiente legible por humanos, como un PDF. Verifique que ambos muestren el UUID de inferencia, los identificadores de modelo y configuración, el puntero de origen, la sugerencia sin procesar, el estado de disposición, el valor confirmado cuando esté presente y las marcas de tiempo UTC sincronizadas. Para una decisión humana, incluya al revisor y el motivo aplicable. Para la automatización autorizada, incluya el actor de máquina y la referencia de autorización.

6. El Reglamento de IA de la UE: dónde se sitúa realmente el software de ensayos clínicos

Leídos en conjunto, el Reglamento de IA y el Reglamento (UE) 2026/1744 establecen una estructura escalonada. Comience por el ámbito de aplicación y, a continuación, determine la clasificación y cualquier obligación de transparencia [7] [8].

6.1 La exclusión de investigación científica: artículo 2(6), considerando 25 y artículo 2(8)

La cuestión jurídica previa para cualquier herramienta de ensayo clínico es si entra dentro de la exención para investigación y desarrollo establecida en el artículo 2(6) [7]. El artículo 2(6) dispone textualmente:

"El presente Reglamento no se aplica a los sistemas de IA ni a los modelos de IA, incluidos sus resultados, específicamente desarrollados y puestos en servicio con el único fin de la investigación y el desarrollo científicos." [7]

El considerando 25 explica esta exclusión e indica que los sistemas de IA desarrollados y puestos en servicio únicamente para la investigación y el desarrollo científicos deben quedar excluidos del ámbito de aplicación del Reglamento, al tiempo que señala que "cualquier otro sistema de IA que pueda utilizarse para llevar a cabo cualquier actividad de investigación y desarrollo debe seguir estando sujeto a las disposiciones del presente Reglamento." [7]

El artículo 2(6) pregunta por qué se desarrolló y se puso en servicio el sistema de IA. Para una herramienta eClinical suministrada comercialmente, documente la finalidad prevista específica y el despliegue. Las partes interesadas solicitaron a la Comisión una orientación más clara sobre la aplicación de las exclusiones de investigación en ámbitos que incluyen los medicamentos y los dispositivos médicos [7] [32]. Las dos lecturas siguientes son interpretaciones editoriales que deben contrastarse con los hechos de cada despliegue.

  • Despliegue específico para investigación. Un analizador de protocolos desarrollado y puesto en servicio para un fin definido de investigación científica podría presentar una argumentación más sólida en virtud del artículo 2(6). Registre la especificación de diseño, el contrato, los usuarios autorizados y las restricciones de despliegue que demuestren dicho fin. Una etiqueta de ensayo clínico aporta evidencia limitada por sí sola [7].
  • Servicio operativo reutilizable. Una plataforma que cumple múltiples propósitos, como flujos de trabajo de estudios y procesamiento general de documentos, presenta una argumentación más débil. Documente las funciones de proveedor y responsable del despliegue utilizando los acuerdos reales de desarrollo, suministro y despliegue. El considerando 25 distingue los sistemas de IA desarrollados y puestos en servicio con el único fin de la investigación científica de otros sistemas que se utilizan circunstancialmente en la investigación [7].

Filtro de cualificación. Utilice estos tres casos para identificar la evidencia que deberá presentar ante los revisores legales y de calidad correspondientes. Registre la clasificación y reconsidérela si cambia la finalidad prevista o el despliegue.

  1. Software de propósito general y multiuso: Conforme al considerando 25, otros sistemas de IA utilizados para la investigación siguen sujetos al Reglamento. Según nuestra lectura, esto abarca los modelos fundacionales generales, los chatbots comerciales de soporte y las herramientas empresariales generales de OCR utilizadas en la investigación [7].
  2. Software específico de ensayos con licencia comercial: Para una herramienta de OCR de laboratorio de EDC o un clasificador de eTMF dentro del ámbito de aplicación de la Ley, determine si su finalidad prevista cumple una clasificación del anexo I o del anexo III y si se aplica una obligación de transparencia del artículo 50 [7].
  3. Investigación, pruebas y desarrollo previos a la comercialización. El artículo 2(8) excluye la investigación, las pruebas y el desarrollo relativos a sistemas o modelos de IA antes de su introducción en el mercado o puesta en servicio, sin perjuicio del Derecho de la Unión aplicable. Su exclusión no cubre las pruebas en condiciones reales. Esto es distinto del artículo 2(6). La pregunta 25 de la guía no vinculante MDCG 2025-6 trata las investigaciones clínicas y los estudios de rendimiento de IA de dispositivos médicos de alto riesgo como pruebas en condiciones reales y explica que el artículo 60(1) preserva el Derecho de la Unión o nacional aplicable, incluidos el MDR y el IVDR [7] [30] [33] [34].

6.2 Modificaciones del Ómnibus Digital: plazos, artículos 4a, 6(1a)–(1b), 6(3) y 50

El Reglamento (UE) 2026/1744 (el Ómnibus Digital sobre IA, publicado en el Diario Oficial el 24 de julio de 2026 y que entró en vigor el 27 de julio de 2026) promulgó modificaciones clave al Reglamento (UE) 2024/1689 [8]:

  • Fechas de aplicación para las secciones 1–3 del capítulo III. El artículo 113 en su versión modificada aplica esas tres secciones, con excepción del artículo 6(5), a partir del 2 de diciembre de 2027 para los sistemas de alto riesgo clasificados en virtud del artículo 6(2) y el anexo III, y a partir del 2 de agosto de 2028 para los sistemas clasificados en virtud del artículo 6(1) y el anexo I [8]. Para el artículo 6(1), verifique el criterio de producto o componente de seguridad y el requisito de evaluación de la conformidad por terceros. En virtud del artículo 6(1c), una evaluación por terceros motivada únicamente por riesgos no relacionados con la salud y la seguridad no cumple con el artículo 6(1)(b) [8]. El artículo 50 tiene un calendario independiente más adelante. El artículo 2(13) permite limitar obligaciones específicas de los artículos 9 a 15 y 17 a 25 para los sistemas de alto riesgo del artículo 6(1). La legislación de la sección A del anexo I debe ofrecer una protección equivalente o superior para la salud, la seguridad o los derechos fundamentales, y la limitación debe preservar el nivel general de protección de la Ley. La Comisión debe adoptar actos delegados a más tardar el 2 de agosto de 2027 que especifiquen los sistemas, las obligaciones, las condiciones y el alcance [7][8].

  • Transparencia del artículo 50(1) a partir del 2 de agosto de 2026. Cuando la Ley sea aplicable, los proveedores de sistemas de IA destinados a interactuar directamente con las personas deben informarles de dicha interacción, "salvo que esto resulte evidente desde el punto de vista de una persona física razonablemente bien informada, atenta y perspicaz, teniendo en cuenta las circunstancias y el contexto de uso" [7]. El artículo 50(5) fija el plazo en la primera interacción o exposición. Para la calificación del estudio, EClinCloud recomienda verificar la existencia de una divulgación legible en los asistentes conversacionales dirigidos a participantes y a centros de investigación.

  • Aclaraciones sobre las reglas de clasificación de alto riesgo del artículo 6: El Reglamento (UE) 2026/1744 incorporó reglas sobre componentes de seguridad en el artículo 6(1a) y (1b) [8]. En virtud del artículo 6(1a), un sistema de IA utilizado únicamente para aspectos no relacionados con la seguridad de asistencia al usuario, optimización del desempeño, eficiencia del servicio, automatización o conveniencia, o control de calidad queda fuera de la clasificación de componente de seguridad de la Ley [8]. Por el contrario, el artículo 6(1b) aclara que la condición de componente de seguridad se aplica siempre que un fallo o mal funcionamiento del sistema de IA ponga en peligro la salud y la seguridad [8]. Según nuestro análisis, la mayoría de las herramientas operativas eClinical (como los programadores de CTMS o las herramientas de indexación de TMF) se sitúan completamente fuera del anexo I y del anexo III [7]. Para el software que abarca un ámbito del anexo III, el artículo 6(3) establece que un sistema de IA no se considerará de alto riesgo si no supone un riesgo significativo de daño para la salud, la seguridad o los derechos fundamentales Y cumple al menos una de cuatro condiciones específicas: (a) realiza una tarea procedimental limitada; (b) mejora el resultado de una actividad humana realizada previamente; (c) su finalidad es detectar patrones de toma de decisiones o desviaciones respecto a patrones previos, requiriéndose una revisión humana adecuada si pudiera influir en una evaluación humana realizada previamente o sustituirla; o (d) realiza una tarea preparatoria para una evaluación [7]. Un sistema del anexo III que elabore perfiles de personas físicas sigue siendo de alto riesgo en virtud del artículo 6(3) [7]. En virtud del artículo 6(4), un proveedor que invoque una excepción del artículo 6(3) debe documentar su evaluación antes de introducir el sistema en el mercado o ponerlo en servicio y registrar el sistema en la base de datos de la UE conforme al artículo 49(2), obligaciones que entran en vigor el 2 de diciembre de 2027 [7][8].

  • Tratamiento condicional de sesgos en virtud del artículo 4a. El artículo 4a se aplica a partir del 27 de julio de 2026 en virtud del artículo 4 del Reglamento modificativo y establece una excepción legal estrictamente salvaguardada para el tratamiento de categorías especiales de datos personales (incluidos datos de salud, genéticos y biométricos) con el fin de detectar y corregir sesgos algorítmicos [8]. En virtud del artículo 4a(1), los proveedores de sistemas de IA de alto riesgo pueden tratar categorías especiales de datos personales estrictamente para la detección y corrección de sesgos, con sujeción a seis condiciones acumulativas adicionales al RGPD u otra legislación de protección de datos aplicable de la UE:

    (a) la detección y corrección de sesgos no pueden cumplirse eficazmente mediante el tratamiento de otros datos, incluidos datos sintéticos o anonimizados;

    (b) limitaciones técnicas a la reutilización de datos personales y medidas de seguridad y preservación de la privacidad acordes al estado de la técnica, incluida la seudonimización;

    (c) acceso estrictamente restringido a personal autorizado sujeto a confidencialidad;

    (d) los datos personales no se transmiten, transfieren ni son accesibles de otro modo por terceros;

    (e) los datos personales se suprimen una vez corregido el sesgo o al finalizar el período de conservación, lo que ocurra primero; y

    (f) se mantienen registros de las actividades de tratamiento en los que se indiquen los motivos por los que el tratamiento fue estrictamente necesario [8].
    El artículo 4a(2) amplía la autorización a los proveedores y responsables del despliegue de otros sistemas y modelos de IA, así como a los responsables del despliegue de sistemas de IA de alto riesgo, cuando el tratamiento sea estrictamente necesario para detectar y corregir sesgos que puedan afectar a la salud y la seguridad de las personas, tener un impacto negativo en los derechos fundamentales o dar lugar a una discriminación prohibida por el Derecho de la Unión, y cuando se cumplan todas las condiciones del apartado 1. La disposición establece: "Este apartado no crea ninguna obligación de llevar a cabo dicha detección y corrección de sesgos." [8]. Según la lectura de EClinCloud, esto resulta relevante cuando las pruebas de sesgo del software de ensayos, como la preselección de elegibilidad o la medición de variables de valoración, utilizarían datos de salud de los participantes.

Aplicabilidad y límites de implementación del Reglamento de IA de la UE para software de ensayos clínicos

El alcance, la clasificación de alto riesgo y la transparencia dependen del uso previsto. Las fechas de las secciones 1–3 del capítulo III, salvo el artículo 6(5), son independientes del artículo 50.

Desplácese horizontalmente para ver la figura completa.

Categoría de sistema de IA / Flujo de trabajoClasificación y base jurídica en el Reglamento de IA de la UEFecha de aplicación efectivaAcciones sugeridas de calificación para promotores y proveedores
Software independiente de flujo de trabajo eClinical (EDC, CTMS, eTMF, RTSM)Interpretación de EClinCloud: habitualmente fuera del Anexo I y del Anexo III. Confirmar frente a la finalidad prevista.Confirmar el alcance y la finalidad prevista.Documentar la finalidad prevista y evaluar los artículos 2 y 6 para el despliegue real.
IA específica de ensayos que incide en ámbitos del Anexo III con excepción del art. 6(3)No de alto riesgo mediante la excepción del art. 6(3) (requiere: ausencia de riesgo significativo, una de cuatro condiciones y ausencia de elaboración de perfiles).2 de diciembre de 2027 para las normas aplicables de las secciones 1–3 del capítulo III, salvo el artículo 6(5).Documente la evaluación del artículo 6(3) antes de la introducción en el mercado o la puesta en servicio. Prepárese para el registro en la base de datos de la UE conforme al artículo 49(2) a más tardar en diciembre de 2027.
Dispositivos médicos / SaMD habilitados con IA conforme al MDR 2017/745 o al IVDR 2017/746Sistema de IA de alto riesgo del Anexo I cuando se aplica el artículo 6(1). El artículo 6(1c) excluye del artículo 6(1)(b) las evaluaciones desencadenadas únicamente por riesgos no relacionados con la salud y la seguridad.2 de agosto de 2028 para las secciones 1–3 del capítulo III, salvo el artículo 6(5), donde se aplican el artículo 6(1) y el anexo I.Para los dispositivos sujetos al MDR, determine si se aplican los requisitos de investigación clínica de los artículos 62–82 y del anexo XV. Considere ISO 14155 en ese contexto de investigación clínica. Para los dispositivos sujetos al IVDR, evalúe por separado los requisitos aplicables de estudios de desempeño. Consulte las fuentes 30 y 33.
Asistentes conversacionales orientados a los participantes (ayuda técnica)Deber de divulgación del proveedor según el artículo 50(1) cuando el Reglamento sea aplicable, sujeto a su excepción por interacción obvia.2 de agosto de 2026Verificar que el proveedor haya implementado avisos en la interfaz legibles y accesibles que informen a los participantes que están interactuando con IA; confirmar la aprobación del IRB/IEC.
Tratamiento de categorías especiales de datos de salud para la mitigación de sesgos (artículo 4a)El artículo 4a(1) abarca a los proveedores de IA de alto riesgo bajo salvaguardas acumulativas. El artículo 4a(2) amplía condicionalmente el permiso a los responsables del despliegue de IA de alto riesgo y a otros proveedores y responsables del despliegue de IA.27 de julio de 2026 conforme al artículo 4 del Reglamento (UE) 2026/1744.Aplique todas las condiciones de la sección 6.2 y la legislación aplicable en materia de protección de datos. Conforme al apartado (2), establezca la necesidad estricta y el límite aplicable en materia de salud, seguridad, derechos fundamentales o discriminación prohibida. El permiso no crea ninguna obligación general de realizar el tratamiento de sesgos.
IA desarrollada y puesta en servicio exclusivamente para I+D científicaArtículo 2(6): finalidad exclusiva de investigación y desarrollo científicos. Por separado, el artículo 2(8) excluye la investigación, las pruebas y el desarrollo previos a la comercialización, quedando las pruebas en condiciones reales fuera de dicha exclusión.Evaluar las distintas condiciones de alcance.Examinar si el SaaS comercial cumple con el criterio de finalidad exclusiva de I+D; no asumir una exención automática para plataformas comerciales multiinquilino.

Las fechas de las secciones 1–3 del capítulo III excluyen el artículo 6(5). Verifique por separado el alcance de investigación del artículo 2 para el despliegue real.

Fuente: Sintetizado por EClinCloud a partir del Reglamento (UE) 2024/1689 (Reglamento de IA) y del Reglamento (UE) 2026/1744 (Ómnibus Digital sobre IA).

7. Secuencia ilustrativa de implementación por fases de 90 días para promotores y CRO

La transición de scripts piloto ad hoc a un marco de gobernanza de IA defendible ante inspecciones requiere un plan de implementación ordenado y por etapas. Los promotores y las CRO pueden poner en práctica estas recomendaciones mediante una secuencia ilustrativa de 90 días, cuyo cronograma real dependerá de los ciclos de lanzamiento de software de los proveedores y de los procedimientos internos de gestión de cambios.

7.1 Días 1 a 30: Inventario, evaluación del contexto de uso y clasificación regulatoria

  • Inventario integral de activos de IA: Catalogue cada capacidad de inteligencia artificial, aprendizaje automático y procesamiento del lenguaje natural integrada en los sistemas de ensayos clínicos activos y planificados, incluidos los analizadores de protocolos de eCRF, el OCR médico, los escáneres de calidad de imagen de eCOA, los indexadores de eTMF, los detectores de anomalías de RBQM y los asistentes de codificación médica.
  • Cribado del contexto de uso. Aplique el cribado de tres preguntas de la Sección 3.1 y registre la evidencia que respalda la asignación de cada nivel.
  • Estatus legal y triaje de dispositivos médicos. Comience por el Nivel 4 y evalúe cualquier función cuya finalidad prevista pueda cumplir con la definición de dispositivo conforme a la Sección 201(h) de la Ley FD&C, el MDR o el IVDR. Determine la vía de investigación aplicable [13] [30] [33]. Consulte la disposición sobre divulgación de la Sección 6.2 para los asistentes conversacionales dirigidos a participantes o a centros.

7.2 Días 31 a 60: Reajuste de líneas base de POE, acuerdos de calidad y esquema de auditoría sidecar

  • Actualizaciones de POE. Distinga (1) las regulaciones vinculantes, incluidas las disposiciones aplicables de 21 CFR, partes 11, 50, 56, 312 y 812, el Reglamento sobre ensayos clínicos, el MDR, el IVDR y la Ley de IA de la UE, y el Anuncio n.º 50 de 2026 de la NMPA de China [18] [30] [33] [7] [5], (2) las guías adoptadas, incluida la guía de la EMA sobre sistemas computarizados y la guía ICH E6(R3), una guía que el artículo 47 indica a los promotores e investigadores que tengan en cuenta en los ensayos de la UE [19] [2] [18], (3) las recomendaciones de agencias reguladoras, incluidas las guías de la FDA eSystems Q&A, DHT, CSA y E6(R3) y la guía sobre sistemas computarizados del CDE de China [4] [6] [12] [13] [14], y (4) los borradores de guía, incluido FDA-2024-D-4689 [1].
  • Acuerdos de calidad. Aplique la disposición de notificación de la sección 4.1 y utilice la lista única de solicitudes al proveedor de la sección 8.3.
  • Arquitectura de pista de auditoría paralela (sidecar). Capture cada inferencia sin procesar y su disposición posterior conforme a la sección 5.2. Pruebe la reconstrucción para resultados revisados por humanos, automatizados autorizados y no confirmados. Registre los campos del revisor únicamente cuando una persona revise efectivamente la sugerencia [12].
  • Linaje de la fuente. Implemente el procedimiento de control del investigador y copia de trabajo de la sección 5.1.

7.3 Días 61 a 90: UAT con conjuntos de referencia, verificación adversarial y monitoreo de metadatos de RBQM

  • Curación de pruebas de referencia dorada (golden benchmark): Compile conjuntos de pruebas de referencia dorada anonimizados y específicos del estudio que representen todo el espectro operativo de los datos del ensayo, incluidos escaneos de múltiples centros, fotografías degradadas y variaciones regionales de formato.
  • Ejecución de pruebas UAT adversarias: Ejecute las cuatro verificaciones UAT adversarias dirigidas en los niveles aplicables: (1) verificación de procedencia en tiempo de ejecución y hash (niveles 2, 3, 4); (2) pruebas de perturbación de referencia dorada y configuración regional (niveles 3, 4); (3) pruebas de rechazo y umbrales de incertidumbre (niveles 1 orientado al participante, 3, 4); y (4) pruebas de aislamiento de borradores no confirmados (niveles 2, 3).
  • Operacionalización de la vigilancia de metadatos de RBQM: Configure paneles de monitoreo de gestión de la calidad basada en riesgos para agregar metadatos de transacciones, dando seguimiento a Tasa de aceptación de la IA, Tasa de anulación humana y Tiempo medio de permanencia en revisión en los centros de investigación, sujeto al límite de notificación de la sección 5.3, como avisos operativos para investigar una posible complacencia con la automatización y la deriva de distribución regional [2][21].
  • Simulacros de exportación de pistas de auditoría. Reconstruya una entrada asistida por IA utilizando el procedimiento de exportación de la sección 5.3.

8. Calificación de un proveedor bajo un acuerdo de confidencialidad: un ejemplo de caso de EClinCloud

Al calificar a un proveedor de plataforma eClinical empresarial bajo un acuerdo formal de confidencialidad, los auditores de QA del promotor deben evaluar si la arquitectura técnica del proveedor respalda el cumplimiento regulatorio en módulos funcionales diferenciados. La documentación pública de EClinCloud (consultada el 13 de noviembre de 2026) ilustra cómo una plataforma integrada de software clínico multimódulo aborda las capacidades de IA delimitadas por tareas [35].

8.1 Marco de confianza pública y arquitectura acotada por tareas

En su centro público de confianza y cumplimiento, EClinCloud documenta certificaciones empresariales de calidad y seguridad, incluidas ISO/IEC 42001:2023 (Sistema de Gestión de Inteligencia Artificial), ISO 27001 (Gestión de Seguridad de la Información), ISO 27701 (Gestión de Información de Privacidad), ISO 9001 (Gestión de Calidad), ISO 20000 (Gestión de Servicios de TI), Cloud Security Alliance (CSA) STAR y DJCP (MLPS de China) [36]. En sus declaraciones públicas sobre arquitectura, la empresa formula un principio fundamental de gobernanza:

"La IA en la plataforma ECC siempre está vinculada a tareas específicas —análisis de protocolos, captura mediante OCR, clasificación de documentos, detección de riesgos y preguntas y respuestas— con personas que revisan los resultados." [36]

Según las especificaciones de la plataforma de la empresa, EClinCloud ofrece opciones de implementación privada / local (on-premises), y los acuerdos específicos de alojamiento se confirman con los equipos del cliente durante la evaluación técnica [35].

8.2 Límites de cualificación módulo por módulo

Esta sección aplica el marco utilizando las declaraciones públicas de EClinCloud. Los elementos de verificación especifican la evidencia que un promotor esperaría revisar, y que EClinCloud proporcionaría, bajo un acuerdo de confidencialidad. Las cifras de rendimiento son informadas por la empresa. Una cifra de eCOA se atribuye a un estudio pediátrico de fase II. Las páginas citadas no proporcionan denominadores ni métodos de evaluación para ninguna de las cifras.

  • Captura electrónica de datos (EDC):

    Lo que indica EClinCloud: EClinCloud señala que el análisis de protocolos de estudios clínicos mediante modelos de lenguaje de gran tamaño puede reducir el esfuerzo inicial de configuración del estudio en un 60%, y que los gestores de datos revisan y confirman las visitas, los formularios y las validaciones de edición generados antes de la puesta en marcha [35][37]. El proveedor también indica que el OCR médico opera en más de 1,000 tipos de formularios con una precisión de reconocimiento del 95% o más en la página de la plataforma [35]. Su página de EDC describe el análisis aumentado por recuperación [37]. La página de EDC informa una precisión de reconocimiento del 95%, analizando los registros fuente y sincronizándolos directamente en EDC, lo que reduce el tiempo de ingreso por formulario de 8–10 minutos a menos de 3 minutos y disminuye el esfuerzo de verificación de datos fuente (SDV) en un 20%, incorporando la ocultación automatizada de información personal identificable (PII) [37].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Clasificaríamos el análisis de protocolos como Nivel 2 y la extracción de fuentes mediante OCR como Nivel 3 cuando la confirmación autenticada precede al guardado definitivo. Durante las auditorías de calificación, los promotores deberían verificar: (1) si el EDC en producción exige una confirmación humana atribuible antes de confirmar el guardado de los valores extraídos por OCR y cómo presenta las sugerencias en relación con la guía sobre autocompletado de la Sección 5.1; (2) que las imágenes escaneadas originales de los documentos fuente sin ocultar permanezcan bajo el control del investigador; y (3) que las sugerencias brutas del OCR y las decisiones humanas queden registradas en una pista de auditoría auxiliar exportable.

  • Aleatorización y gestión de suministros del ensayo (RTSM):

    Lo que indica EClinCloud: EClinCloud señala que el análisis de protocolos mediante IA configura RTSM en un solo paso, reduciendo el esfuerzo de configuración entre un 10% y un 20%, junto con alertas inteligentes de suministro [38].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Clasificaríamos la configuración automatizada de RTSM como configuración previa a la producción de Nivel 2. Durante las auditorías de calificación, los promotores deberían verificar: (1) que las reglas de aleatorización, los tipos de kits y los esquemas de dispensación generados por IA se traten como borradores no confirmados que requieren la aprobación documentada de un bioestadístico calificado y del responsable de suministros antes del paso a producción; y (2) que el sistema impida estrictamente las escrituras automatizadas por IA en las tablas de aleatorización activas o en los algoritmos de asignación de kits durante el ensayo en curso.

  • Evaluación electrónica de resultados clínicos (eCOA):

    Lo que indica EClinCloud: EClinCloud señala que su módulo eCOA admite cinco modalidades de evaluación: resultados electrónicos informados por el paciente (ePRO), resultados electrónicos informados por el clínico (eClinRO), resultados electrónicos informados por el observador (eObsRO), resultados electrónicos de desempeño (ePerfO) y diarios electrónicos (eDiary) [39]. La empresa informa que las verificaciones de calidad de imagen de cámara en tiempo real mejoraron las tasas de aprobación fotográfica en un estudio pediátrico de fase II del 40% a aproximadamente el 95%, acortando los ciclos de repetición de 24–48 horas a menos de 5 segundos [39]. También informa la extracción automatizada de texto de etiquetas de medicamentos con una precisión del 95% en menos de 5 segundos y el enmascaramiento automatizado de PII [39]. La plataforma incluye un asistente conversacional adaptado al rol (LinBot) que responde preguntas sobre el sistema y los flujos de trabajo [39].

    Clasificación y verificación de EClinCloud. Las verificaciones consultivas de calidad de imagen son de Nivel 3 bajo la Rama 2C. La extracción de etiquetas es de Nivel 3 cuando el participante o el centro de investigación confirma el valor extraído antes de guardarlo. Verifique la confirmación atribuible antes del guardado definitivo, el registro de la extracción bruta y de la confirmación, y la ubicación de los valores sugeridos frente a la guía sobre autocompletado de la Sección 5.1. La asistencia de flujo de trabajo de LinBot, tal como se describe en el sitio web, es de Nivel 1. Si los participantes pueden utilizarla, verifique las salvaguardas de navegación de la Sección 3.2, incluidas las divulgaciones aplicables del proveedor, el rechazo de respuesta, el escalamiento y la revisión de seguridad del centro de investigación [7].

  • Servicios científicos y de ensayos clínicos (límite de especialistas humanos):

    Lo que indica EClinCloud: La documentación pública de servicios de EClinCloud enumera la gestión de escalas, la validación lingüística (incluidas la traducción, la retrotraducción y las entrevistas cognitivas) y la capacitación de evaluadores como servicios gestionados de ensayos clínicos [40].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Observamos que estas ofertas representan servicios clínicos y lingüísticos especializados prestados por personas y no funciones automatizadas de software. Durante la calificación del servicio, los promotores deberían verificar que se hayan obtenido formalmente los permisos de licencia de las escalas por parte de los titulares de los derechos de autor y que los flujos de trabajo de validación lingüística incorporen lingüistas calificados del idioma de destino.

  • Archivo maestro electrónico del ensayo (eTMF):

    Lo que indica EClinCloud: EClinCloud señala que su módulo eTMF proporciona clasificación automatizada de documentos según el Índice TMF, junto con verificaciones de calidad de carga (detección de archivos duplicados, páginas en blanco, escaneos borrosos y marcas de agua) y asistencia de LinBot, señalando explícitamente que "el archivado lo confirma una persona" [41].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Clasificaríamos este flujo de trabajo como clasificación en borrador de Nivel 2. Los promotores deberían verificar: (1) que las sugerencias automatizadas de indexación documental no puedan cambiar un artefacto al estado Archivado (Filed) sin la confirmación autenticada de un especialista humano en documentación; y (2) que las etiquetas de clasificación sugeridas y las acciones humanas de confirmación queden registradas en la pista de auditoría.

  • Sistema de gestión de ensayos clínicos (CTMS):

    Lo que indica EClinCloud: EClinCloud señala que CTMS ofrece configuración de proyectos mediante IA en un clic, supervisión basada en RBQM y revisión de informes de monitoreo mediante IA. La página de la plataforma describe el análisis de riesgos mediante IA [35] [42].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Clasificaríamos la redacción de borradores de configuración como Nivel 2, la revisión de informes de monitoreo como Nivel 1 y el análisis de riesgos mediante IA (página de la plataforma) como Nivel 3. Los promotores deberían verificar: (1) que las señales de riesgo y los borradores de informes de monitoreo requieran la aprobación autenticada de un CRA humano y del gerente del estudio antes de su archivado; y (2) que cualquier modelo de riesgo de IA siga límites de recalibración predefinidos bajo el control de cambios del Patrón 2.

  • Comité de Revisión Independiente (IRC), Gestión de Recursos (RM) y eLearning:

    Lo que indica EClinCloud. EClinCloud enumera IRC, Gestión de Recursos y eLearning como módulos de la plataforma [35].

    Clasificación de EClinCloud y verificación recomendada para el promotor: Los promotores deberían verificar si el módulo IRC incorpora algún sistema automatizado de puntuación de lesiones mediante IA o si opera exclusivamente como una plataforma de gestión de flujos de trabajo enmascarados para revisores clínicos humanos, y confirmar que las funciones de puntuación de eLearning operen de forma determinista.

8.3 Consultas de auditoría recomendadas antes de la puesta en marcha del estudio

Al realizar una auditoría formal de cualificación de EClinCloud o de un proveedor equivalente de software eClinical bajo un acuerdo de confidencialidad, los auditores de garantía de calidad del promotor deben solicitar los siguientes artefactos de verificación:

  1. Paquete de certificación ISO/IEC 42001:2023: Inspeccione el informe de auditoría independiente de terceros y la Declaración de Aplicabilidad del Sistema de Gestión de Inteligencia Artificial del proveedor, evaluando los procedimientos internos de gestión de riesgos frente a la deriva algorítmica, la procedencia de los datos y los controles con intervención humana [36].
  2. Cláusulas contractuales de gobernanza del modelo: Confirme que el Acuerdo Marco de Servicios o el Acuerdo de Calidad del proveedor incluya: (a) la disposición de notificación de la Sección 4.1; (b) el acceso para inspección regulatoria a la arquitectura del modelo y a la documentación de entrenamiento cuando corresponda conforme a la Sección 2.3.3.1 del Documento de Reflexión de la EMA [9]; y (c) capacidades técnicas de reversión de respaldo cuando sea factible en versiones autoalojadas o con soporte del proveedor.
  3. Arquitectura de linaje de origen. Verifique el procedimiento de control del investigador de la Sección 5.1 mediante diagramas técnicos de flujo de datos para registros de laboratorio clínico con datos ocultados o fotografías de eCOA.
  4. Demostración de exportación de la pista de auditoría. Solicite una reconstrucción en vivo de una entrada de eCRF asistida por IA conforme a la Sección 5.3.
  5. Verificación de alojamiento y límites de soberanía: Para ensayos clínicos multirregionales sujetos a restricciones de transferencia transfronteriza de datos, inspeccione las configuraciones de nube privada o VPC dedicada del proveedor para confirmar que los datos del ensayo clínico y los flujos de inferencia permanezcan dentro de las jurisdicciones nacionales designadas [35].

Los promotores que deseen analizar los límites de cualificación a nivel de módulo, los esquemas de pistas de auditoría y las arquitecturas de alojamiento soberano pueden comunicarse con EClinCloud a través de su página de solicitud de demostración de producto o de su portal de contacto general.


9. Metodología y limitaciones

Para garantizar una transparencia total respecto de la evidencia y los marcos analíticos presentados en este informe, se documentan explícitamente los siguientes límites y limitaciones metodológicas:

  • Texto normativo. El análisis utiliza las regulaciones primarias, las directrices adoptadas y los borradores identificados en el texto. Las fechas de implementación de China y de la UE son las indicadas en el material citado. Ajuste el análisis a la autorización, al mercado y al uso previsto de cada estudio.

  • Convención editorial. Las normas vinculantes se identifican mediante sus números de reglamento o artículo. El artículo 47 del Reglamento sobre Ensayos Clínicos de la UE indica a los promotores e investigadores que tengan debidamente en cuenta las directrices GCP de la ICH. Los niveles de cualificación, los patrones de control de cambios, los campos de auditoría, los ejemplos numéricos y el cronograma son recomendaciones de EClinCloud [18].

  • Literatura y evidencia primaria. La sección 2 utiliza los informes publicados de Shyr, Carroll, Yang, McKown, Karako y Gao, y Thierry. Las secciones 3 y 4 utilizan el informe del sandbox de la MHRA, el estudio de QTL de Yan y las fuentes regulatorias allí citadas [10] [24] [25] [26] [27] [28] [21] [29].

  • Métricas de desempeño del proveedor: Todas las métricas de desempeño y cifras de eficiencia operativa asociadas con los módulos de software de EClinCloud (como porcentajes de precisión de OCR, reducciones del tiempo de configuración y tasas de aprobación fotográfica) son métricas reportadas por la empresa a partir de documentación pública consultada el 13 de noviembre de 2026 [35][36][37][38][39][40][41][42]. Estas métricas no han sido probadas ni validadas de forma independiente por las autoridades regulatorias. Los promotores deben validar de forma independiente el desempeño del software frente a sus propios protocolos de estudio, requisitos de usuario y conjuntos de pruebas de referencia.


Puntos clave para los equipos de operaciones clínicas y garantía de calidad

  1. Identifique las normas vinculantes y las guías aplicables. Documente las regulaciones, las directrices adoptadas y los borradores pertinentes para la función. El artículo 47 del Reglamento sobre Ensayos Clínicos de la UE indica a los promotores e investigadores que tengan debidamente en cuenta las directrices GCP de la ICH [18].
  2. Clasifique cada flujo de trabajo. Utilice el filtro de tres preguntas de la sección 3.1 para evaluar las escrituras no confirmadas, la proximidad a los participantes o a las decisiones, y las calificaciones de influencia y consecuencia.
  3. Implemente un control de versiones y salvaguardas contra la deriva adecuados al despliegue: Exija resúmenes criptográficos SHA-256 de los pesos y de las imágenes de contenedor para los modelos de pesos abiertos autoalojados. Para las API comerciales en la nube, exija identificadores de modelo fijados con fecha, preaviso contractual para la descontinuación de modelos y reejecuciones periódicas de conjuntos de referencia con bandas de tolerancia predefinidas. Para los ensayos pivotales, la EMA espera que los modelos y los flujos de preprocesamiento utilizados para las pruebas de hipótesis se congelen y documenten antes del cierre de la base de datos [9].
  4. Conserve la evidencia para inspección. Utilice las secciones 5.1 y 5.3 para el control del investigador, las exportaciones y el límite sobre los informes de tiempo de permanencia individual.

Fuentes

1. FDA de EE. UU. — Consideraciones para el uso de la inteligencia artificial como apoyo a la toma de decisiones regulatorias para medicamentos y productos biológicos (Guía preliminar, Expediente FDA-2024-D-4689, 6 de enero de 2025; Borrador — No apto para implementación)

2. Consejo Internacional de Armonización (ICH) — Directriz de Buenas Prácticas Clínicas E6(R3), Directriz consolidada final de la Etapa 4 (Adoptada el 16 de junio de 2026; Principios y Anexo 1 finalizados el 6 de enero de 2025; Anexo 2 adoptado el 3 de junio de 2026)

3. Agencia Europea de Medicamentos (EMA) — Directriz ICH E6(R3) sobre Buenas Prácticas Clínicas (Principios y Anexo 1 en vigor desde el 23 de julio de 2025; Anexo 2 y versión consolidada en vigor desde el 15 de enero de 2027)

4. FDA de EE. UU. — E6(R3) Buenas Prácticas Clínicas (GCP) (Guía final de Nivel 1, Expediente FDA-2023-D-1955, septiembre de 2025)

5. Administración Nacional de Productos Médicos de China (NMPA) — Buenas Prácticas Clínicas para Medicamentos (Revisión de 2026, Anuncio 2026 n.º 50, emitido conjuntamente por NMPA, NHC, NATCM y NDCPA el 21 de mayo de 2026; en vigor desde el 1 de septiembre de 2026)

6. Centro de Evaluación de Medicamentos de China (CDE) — Aviso n.º 44 de 2026 por el que se emite la Directriz sobre sistemas computarizados y datos electrónicos en ensayos clínicos de medicamentos, con entrada en vigor el 22 de septiembre de 2026 (aviso reproducido por China Food and Drug Net con el PDF de la directriz adjunto)

7. Unión Europea, Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial), Diario Oficial L, 12 de julio de 2024

8. Unión Europea, Reglamento (UE) 2026/1744 por el que se modifican los Reglamentos (UE) 2024/1689, (UE) 2018/1139 y (UE) 2023/1230 (Ómnibus Digital sobre IA), Diario Oficial L, 24 de julio de 2026

9. Agencia Europea de Medicamentos (EMA) — Documento de reflexión sobre el uso de la inteligencia artificial (IA) en el ciclo de vida de los medicamentos (EMA/CHMP/CVMP/83833/2023, adoptado en septiembre de 2024)

10. Shyr C, Taylor R, Jagtap V, Cheng AC, Harris PA — Implementación de inteligencia artificial generativa en REDCap, JAMIA Open, junio de 2026 (PMID 42369825 / PMC13302799)

11. FDA de EE. UU. y Agencia Europea de Medicamentos (EMA) — Principios rectores de buenas prácticas de IA en el desarrollo de fármacos (10 principios conjuntos no vinculantes, enero de 2026)

12. FDA de EE. UU. — Sistemas electrónicos, registros electrónicos y firmas electrónicas en investigaciones clínicas: preguntas y respuestas (Guía final no vinculante, rev. 1, octubre de 2024)

13. FDA de EE. UU. — Tecnologías de salud digital para la adquisición remota de datos en investigaciones clínicas (Guía final no vinculante, diciembre de 2023)

14. FDA de EE. UU. — Aseguramiento de software informático para software de sistemas de producción y gestión de la calidad (Guía final no vinculante, expediente FDA-2022-D-0795, reeditada el 3 de febrero de 2026)

15. FDA de EE. UU. — Recomendaciones de presentación para comercialización de un plan predeterminado de control de cambios para funciones de software de dispositivos habilitadas con inteligencia artificial (Guía final no vinculante, expediente FDA-2022-D-2628, reeditada el 18 de agosto de 2025)

16. FDA de EE. UU. — Funciones de software de dispositivos habilitadas con inteligencia artificial: gestión del ciclo de vida y recomendaciones de presentación para comercialización (Borrador de guía, expediente FDA-2024-D-4488, 7 de enero de 2025; borrador: no destinado a implementación)

17. FDA. E6(R3) Buena Práctica Clínica: Anexo 2, Borrador de guía de nivel 1. Consultado el 13 de noviembre de 2026.

18. Parlamento Europeo y Consejo — Reglamento (UE) n.º 536/2014 sobre los ensayos clínicos de medicamentos de uso humano, y por el que se deroga la Directiva 2001/20/CE, Diario Oficial L 158, 27 de mayo de 2014

19. Agencia Europea de Medicamentos (EMA) — Directriz sobre sistemas informatizados y datos electrónicos en ensayos clínicos (EMA/INS/GCP/112288/2023, publicada en marzo de 2023, vigente seis meses después de su publicación)

20. Comisión Europea (DG SANTE) — Consulta a las partes interesadas sobre las Directrices GMP de EudraLex, Volumen 4: Capítulo 4, Anexo 11 revisado y nuevo Anexo 22 sobre IA (consulta del borrador cerrada en octubre de 2025; estado de borrador a finales de 2026)

21. MHRA del Reino Unido — Informe de la fase 2 del programa AI Airlock Sandbox (con el apoyo de DHSC y RIO; 51 solicitudes, 7 candidatos piloto; publicado en junio de 2026, actualizado en julio de 2026)

22. MHRA del Reino Unido — Descripción general del programa de entorno de pruebas regulatorio AI Airlock, fase 3 (publicado el 6 de octubre de 2026)

23. International Society for Pharmaceutical Engineering (ISPE) — Guía GAMP: Inteligencia Artificial (julio de 2025) y marco GAMP 5, segunda edición

24. Carroll A, Brown D, Silvio D, Maszatics J, Hanauer DA — Evaluación de modelos lingüísticos de gran tamaño para la clasificación y respuesta automatizadas de tickets de soporte de REDCap, JAMIA Open, junio de 2026 (PMID 42261354 / PMC13242945)

25. Yang Z — Aprendizaje automático para la predicción del riesgo de los centros de investigación en ensayos clínicos: desarrollo, validación externa y aplicación operativa en la calificación de centros de investigación, International Journal of Medical Informatics, mayo de 2026 (PMID 41741318)

26. McKown S, Arnold B, Boucher F et al. (Grupo de Trabajo de IA del TCA-SIG de ISOQOL) — Uso de la IA en los procesos de validación lingüística de COA y migración a eCOA: análisis y recomendaciones de buenas prácticas, Journal of Patient-Reported Outcomes, febrero de 2026 (PMID 41652288)

27. Karako K, Gao J — Ecografía asistida por inteligencia artificial (IA) en ensayos clínicos: automatización de variables de valoración, monitoreo descentralizado y preparación regulatoria, Drug Discoveries & Therapeutics, mayo de 2026 (PMID 42002939)

28. Thierry A, Manson A, Podhaisky HP — Cómo se han utilizado las tecnologías de salud digital para respaldar la aprobación regulatoria de medicamentos, Therapeutic Innovation & Regulatory Science, publicado en línea en julio de 2026; número de noviembre de 2026 (PMID 42440213)

29. Yan L, Yu Z, Wu L, Liu R, Lin J — Optimización del monitoreo de los límites de tolerancia de calidad en ensayos clínicos mediante métodos de aprendizaje automático, Therapeutic Innovation & Regulatory Science, mayo de 2025 (PMID 40000584)

30. Unión Europea, Reglamento (UE) 2017/745 del Parlamento Europeo y del Consejo sobre los productos sanitarios (MDR), artículos 62–82 y anexo XV: Investigaciones clínicas, Diario Oficial L 117, 5 de mayo de 2017

31. 21 CFR § 11.10 — Controles para sistemas cerrados (eCFR)

32. Comisión Europea — Apoyo a la implementación de la Ley de IA con directrices claras

33. Unión Europea — Reglamento (UE) 2017/746 sobre los productos sanitarios para diagnóstico in vitro, incluidos los estudios del rendimiento

34. Grupo de Coordinación de Productos Sanitarios (MDCG) y Consejo de IA — MDCG 2025-6 / AIB 2025-1: Guía sobre la interacción entre los reglamentos de productos sanitarios de la UE y la Ley de Inteligencia Artificial de la UE (junio de 2025)

35. EClinCloud — Arquitectura de la plataforma unificada de evidencia clínica y opciones de alojamiento (consultado el 13 de noviembre de 2026)

36. EClinCloud — Marco de confianza y cumplimiento (certificación ISO/IEC 42001:2023, CSA STAR, DJCP China MLPS; consultado el 13 de noviembre de 2026)

37. EClinCloud — Especificación de la solución de captura electrónica de datos (EDC) (análisis de protocolos mediante LLM y OCR médico; consultado el 13 de noviembre de 2026)

38. EClinCloud — Especificación de la solución de aleatorización y gestión de suministros del ensayo (RTSM) (Consultado el 13 de noviembre de 2026)

39. EClinCloud — Especificación de la solución de evaluación electrónica de resultados clínicos (eCOA) (Cinco modalidades, control de calidad de imágenes y LinBot; consultado el 13 de noviembre de 2026)

40. EClinCloud — Servicios científicos y de ensayos clínicos (Gestión de escalas, validación lingüística y capacitación de evaluadores; consultado el 13 de noviembre de 2026)

41. EClinCloud — Especificación de la solución de archivo maestro electrónico del ensayo (eTMF) (Clasificación automática del índice TMF; consultado el 13 de noviembre de 2026)

42. EClinCloud — CTMS: supervisión basada en RBQM y revisión de informes con IA (Consultado el 13 de noviembre de 2026)