The Logical Structure of Clinical Trial Eligibility Criteria: A Corpus-Scale Measurement of Disjunction in Non-Small-Cell Lung Cancer Trials

Todo ensayo clínico comienza con una lista de reglas. Estos son los criterios de elegibilidad, las condiciones específicas que una persona debe cumplir para unirse a un estudio. Ellos determinan quién recibe el nuevo tratamiento y quién no, actuando como los porteros de la investigación médica. Durante décadas, científicos y sistemas informáticos que intentan emparejar pacientes con estos ensayos han operado bajo un supuesto simple y silencioso: que las reglas funcionan como una lista de verificación donde cada uno de los elementos debe ser marcado. Bajo esta visión, un paciente es elegible solo si cumple con la condición A, y la condición B, y la condición C, todo al mismo tiempo. Es una forma sencilla de pensar sobre un documento complejo, pero trata el texto como una lista plana de requisitos.

Sin embargo, el lenguaje de la medicina rara vez es así de simple. Los médicos suelen escribir reglas que ofrecen opciones. Un paciente podría tener permitido unirse si tiene un tipo de marcador genético u otro. Podría ser excluido si ha tomado el fármaco X, el fármaco Y o el fármaco Z. Estas no son solo listas; son alternativas lógicas. Si un sistema informático ignora estas opciones y trata cada opción como un requisito obligatorio, comete un error fundamental. Podría rechazar a un paciente que en realidad es elegible porque no cumplía con una opción que no necesitaba, o podría aceptar a un paciente que debería ser excluido porque no logró ver que tener solo una de varias condiciones negativas era suficiente para descalificarlo. Hasta ahora, nadie había medido con qué frecuencia aparecen estas opciones en los archivos masivos de los ensayos clínicos.

Un equipo de investigadores se propuso resolver este enigma examinando los criterios de elegibilidad para el cáncer de pulmón de células no pequeñas, una forma importante de la enfermedad. Recopilaron los registros de miles de ensayos de un registro público, creando una colección masiva de casi 190,000 reglas individuales. Para dar sentido a esta montaña de texto, construyeron una nueva clase de herramienta utilizando inteligencia artificial avanzada. Esta herramienta fue diseñada para leer la estructura lógica de cada oración, buscando específicamente la presencia de enunciados con "o"—lugares donde la regla ofrece un camino alternativo. Antes de confiar la herramienta al conjunto completo de datos, los investigadores la probaron rigurosamente. Compararon su trabajo contra un conjunto de reglas que habían sido cuidadosamente etiquetadas por expertos humanos, y luego hicieron que tres profesionales médicos independientes revisaran un nuevo lote de reglas para crear un nuevo estándar ciego. La herramienta demostró ser notablemente precisa, coincidiendo casi perfectamente con los expertos humanos y confirmando que una versión más económica de la inteligencia artificial podía hacer el mismo trabajo que una más costosa.

Cuando los investigadores aplicaron esta herramienta a la colección completa de ensayos de cáncer de pulmón, los resultados fueron sorprendentes. Encontraron que el simple supuesto de la lista de verificación era erróneo para casi la mitad de todas las reglas. En la muestra validada, el 46.2 por ciento de los criterios individuales expresaba una elección lógica en lugar de un requisito único. Esto significa que, en casi cada ensayo, había al menos una regla que ofrecía una alternativa. El patrón era aún más pronunciado en las reglas que excluían a los pacientes. Mientras que alrededor del 36 por ciento de las reglas que permitían la entrada de pacientes ofrecían una elección, casi el 57 por ciento de las reglas que mantenían fuera a los pacientes lo hacían enumerando múltiples formas de ser descalificado. Si un sistema informático lee estas reglas de exclusión como una lista de cosas que un paciente debe tener para ser rechazado, en lugar de una lista de cosas que podrían descalificarlo, crea un riesgo de seguridad al dejar entrar a personas que deberían quedar fuera.

El estudio también reveló cómo esta complejidad ha cambiado con el tiempo. En la década de 1990, cuando los investigadores observaron los ensayos más antiguos, solo el 18 por ciento de las reglas ofrecían una elección. Para la década de 2010, esa cifra se había duplicado aproximadamente hasta alcanzar el 50 por ciento, donde se ha mantenido estable. Este aumento ocurrió incluso aunque la longitud de los documentos de los ensayos no cambió drásticamente durante el periodo en que los números estaban subiendo, lo que sugiere que las reglas en sí mismas se están volviendo estructuralmente más complejas, no solo más largas. Los investigadores observaron que este patrón se mantuvo independientemente de quién dirigiera el ensayo o en qué etapa de prueba se encontrara, indicando que este es un rasgo general de cómo se escriben los protocolos médicos modernos.

La conclusión es que la forma en que intentamos emparejar a los pacientes con los ensayos necesita un cambio fundamental. Durante décadas, el campo ha dependido de métodos que tratan cada regla como una condición obligatoria. Este estudio demuestra que dicho enfoque está mal especificado para casi la mitad de los criterios y para casi todos los ensayos del registro. El error no es solo un pequeño fallo estadístico; tiene consecuencias reales. Cuando el sistema pasa por alto una elección en una regla de inclusión, rechaza a pacientes que podrían haber ayudado al estudio. Cuando pasa por alto una elección en una regla de exclusión, pone en riesgo la seguridad de los participantes al admitir a personas que no deberían estar allí. Los investigadores argumentan que, antes de que podamos construir mejores sistemas para emparejar a los pacientes con los ensayos, primero debemos medir y comprender la forma lógica de las reglas mismas. La era de tratar los criterios de los ensayos clínicos como una simple lista de requisitos ha terminado; la realidad es un paisaje de elecciones que debe navegarse con cuidado.