Bridging the QC–QA Cognitive Handoff: An Agentic Verification Harness for Error Detection, Specification Cross-Checking and Quality Documentation Assembly in Pharmaceutical Quality Assurance

Cada medicamento que llega al estante de una farmacia comienza su vida como una promesa plasmada en papel. Antes de que se empaquete una sola píldora, una compañía farmacéutica debe demostrar a los reguladores que su producto es seguro, puro y exactamente lo que afirma ser. Esta prueba se presenta en forma de un enorme dossier regulatorio, una colección de miles de páginas que contienen resultados de pruebas, registros de fabricación y datos de estabilidad. El viaje de estos datos es una carrera de relevos entre dos equipos: los científicos de control de calidad que generan los números brutos en el laboratorio, y los revisores de garantía de calidad que deben copiar esos números en la solicitud final. Durante décadas, esta entrega ha sido un proceso manual. Un revisor humano se sienta, abre un informe de laboratorio, encuentra un valor, abre el documento final y comprueba que los números coincidan. Hacen esto para cientos de valores, asegurándose de que un número de lote sea el mismo en cada lugar donde aparece, que una fecha tenga sentido y que un resultado se encuentre dentro de los límites de seguridad correctos. Es una tarea de un volumen inmenso y de altas apuestas. Un solo error de transcripción, un punto decimal mal colocado o un resultado olvidado puede retrasar la aprobación de un fármaco vital o, peor aún, permitir que un producto defectuoso llegue a los pacientes.

El desafío no es que las matemáticas sean difíciles; las matemáticas son sencillas. La dificultad es la enorme cantidad de comprobaciones requeridas y la tendencia humana a cometer errores cuando se está cansado o distraído. En años recientes, se ha propuesto la inteligencia artificial como una solución para automatizar esta verificación. Sin embargo, los modelos de IA estándar suelen ser poco fiables para este trabajo específico. Pueden ser fluidos pero erróneos, inventando hechos que suenan plausibles pero que no existen en los documentos de origen. Podrían calcular un número incorrectamente o no lograr rastrear un valor hasta su página original. Para una industria regulada donde cada afirmación debe estar respaldada por evidencia innegable, un sistema que adivina no es suficiente. La industria necesita una herramienta que lea como un humano pero calcule como una máquina, una que nunca tome una decisión por sí misma sino que solo señale posibles errores para que un experto cualificado los revise.

Este es el problema que un equipo de investigadores se propuso resolver con un nuevo tipo de sistema de software. No intentaron construir una IA que pudiera redactar el informe final o decidir si un fármaco era seguro. En su lugar, construyeron un armazón de verificación, un flujo de trabajo estructurado que separa las funciones de lectura, cálculo y decisión. En su sistema, un modelo de inteligencia artificial actúa únicamente como lector. Escanea los documentos y propone cuál podría ser un número o una fecha. Una vez que la IA hace una propuesta, se hace a un lado inmediatamente. Un programa informático determinista y separado toma el control. Este programa realiza cada cálculo, comprueba cada problema matemático y compara cada valor propuesto contra las reglas estrictas y los límites definidos en las regulaciones. Si los números no cuadran, o si un valor en un documento contradice un valor en otro, el sistema señala la discrepancia. Finalmente, un farmacéutico cualificado revisa cada una de las alertas. El humano toma la decisión final sobre si la alerta es un error real o una falsa alarma. La IA nunca decide; solo sugiere. El código nunca adivina; solo computa. El humano nunca adivina; solo decide.

Para probar si este enfoque realmente funciona, los investigadores crearon un entorno de prueba realista utilizando tres dossiers regulatorios auténticos de un único fabricante. Estos eran documentos del mundo real que contenían cientos de puntos de datos, cubriendo diferentes tipos de medicamentos como tabletas y cápsulas. Para ver si el sistema podía encontrar errores, el equipo introdujo secretamente errores específicos en copias de estos documentos. Plantaron 332 errores distintos en los tres archivos, que iban desde un solo dígito transpuesto hasta un número de lote diferente en dos lugares, o un resultado reportado con la unidad de medida incorrecta. Luego, el sistema se ejecutó sobre estos documentos sin que se le indicara dónde estaban ocultos los errores. Tenía que encontrarlos por su cuenta, confiando enteramente en su capacidad para leer las páginas, realizar referencias cruzadas de los datos y aplicar las reglas.

Los resultados demostraron que el sistema era eficaz para encontrar los errores plantados, aunque no fue perfecto. A través de los tres diferentes dossiers, el sistema detectó con éxito el 84 por ciento de los errores inyectados, lo que significa que omitió 52 de ellos. En el primer dossier, encontró 95 de 112 errores. En el segundo, encontró 80 de 100. En el tercero, encontró 105 de 120. El sistema logró encontrar al menos un error de cada tipo para el que fue diseñado, incluyendo valores faltantes, fechas conflictivas y resultados que no coincidían con los límites de seguridad. Esto sugiere que la arquitectura de separar al lector del calculador es una forma viable de manejar la complejidad de los datos farmacéuticos. El sistema no se confundió con los diferentes diseños de los documentos, aunque los investigadores señalan que, con solo tres dossiers, la prueba estadística para las diferencias de diseño tiene un poder limitado. Identificó consistentemente que algo andaba mal en muchos casos, pero para los 52 errores omitidos, la causa sigue siendo desconocida; los investigadores no pudieron determinar si se debieron a errores de lectura, lagunas en las reglas o decisiones de puntuación.

Sin embargo, los investigadores son cuidadosos al declarar lo que este estudio no probó. Si bien el sistema encontró los errores plantados, el estudio no midió con qué frecuencia podría generar una falsa alarma. Debido a que los investigadores no ejecutaron el sistema en documentos que estuvieran completamente libres de errores, no pueden afirmar cuántas veces el sistema podría haber señalado un valor correcto como un error. En un escenario del mundo real, si un sistema genera demasiadas falsas alarmas, podría abrumar a los revisores humanos, haciendo que el trabajo sea más lento en lugar de más rápido. Además, el estudio solo ejecutó el sistema una vez en cada documento. No probó si el sistema daría el mismo resultado si ejecutara el mismo documento una segunda vez, lo cual es un requisito clave para cualquier herramienta utilizada en un entorno regulado. El equipo también señaló que la densidad de errores que plantaron era mucho mayor de lo que se encuentra típicamente en las presentaciones reales, lo que podría haber hecho que los errores fueran más fáciles de detectar.

La contribución más significativa de este trabajo puede no ser la tasa de detección en sí, sino el plano que proporciona para cómo probar tales sistemas en el futuro. Los investigadores establecieron un protocolo detallado sobre cómo construir una prueba justa, incluyendo cómo crear un conjunto de documentos con errores conocidos, cómo hacer que expertos independientes verifiquen esos errores y cómo medir el rendimiento del sistema sin sesgos. Enfatizaron que, para que la inteligencia artificial sea confiable en la calidad farmacéutica, debe ser validada contra un estándar que sea tan riguroso como las regulaciones que pretende respaldar. El estudio concluye que, si bien el sistema es prometedor, aún no es un producto terminado listo para el uso diario. Es una prueba de concepto que demuestra un camino a seguir: una herramienta que aumenta la inteligencia humana encargándose del trabajo pesado de la comparación de datos, dejando el juicio final a los expertos humanos cualificados que son, en última instancia, los responsables de la seguridad del paciente. El trabajo sugiere que el futuro de la garantía de calidad de los medicamentos no reside en reemplazar al revisor humano, sino en dotarlo de un par de ojos más agudos y fiables para detectar los errores que el volumen y la fatiga podrían, de otro modo, dejar pasar.