CHNRI-B: integrating bibliometric, patent and public-funding intelligence into health research priority setting - a methodological framework for capacity-sensitive priority setting

Resumen Técnico: Marco CHNRI-B

Planteamiento del Problema
La definición de prioridades de investigación en salud (RPS, por sus siglas en inglés) enfrenta una brecha crítica entre los mecanismos de puntuación transparentes y la transparencia de la preparación de la evidencia que los precede. Aunque el método de la Iniciativa de Investigación sobre Salud y Nutrición Infantil (CHNRI) es ampliamente utilizado por su estructurada puntuación de expertos y ponderación de partes interesadas, los ejercicios estándar suelen sufrir de una delimitación variable, recuperación de evidencia incompleta, selección opaca de expertos y evaluaciones ex ante débiles de la capacidad de implementación. Estas debilidades reducen la reproducibilidad de las listas de prioridades y dificultan que los financiadores y los ministerios juzguen la robustez de las decisiones de inversión. Además, las directrices de reporte existentes, como REPRISE, mejoran la calidad de la documentación pero no prescriben una construcción de evidencia reproducible previa a la elicitación, dejando a los equipos vulnerables a depender de datos de panorama implícitos o incompletos.

Metodología
El artículo propone el CHNRI-B, un marco metodológico que aumenta el flujo de trabajo estándar de CHNRI con una capa de "inteligencia de investigación" estructurada. No se trata de un ensayo clínico ni de una evaluación empírica de un ejercicio específico de priorización, sino de un artículo de desarrollo de marcos que sintetiza estándares establecidos (guía CHNRI, REPRISE, PRISMA-S, principios FAIR, métricas responsables, bibliometría, analítica de patentes y analítica de carteras de financiación).

El marco introduce una fase de Etapa-0 que precede a la puntuación de expertos y una fase de monitoreo posterior al ranking. La metodología central involucra tres flujos de evidencia específicos:

1. Corpus Bibliométrico: Recuperación de publicaciones y revisiones de al menos dos bases de datos complementarias, utilizando vocabularios controlados y términos de texto libre, con deduplicación estricta y disambiguación de autor/institución.
2. Corpus de Patentes: Recuperación y clasificación de familias de patentes utilizando esquemas IPC o CPC para servir como indicadores conservadores de la preparación traslacional.
3. Corpus de Financiación Pública: Compilación de datos de proyectos de registros de adjudicaciones nacionales, programas internacionales y agradecimientos de financiación verificados.

Estos flujos alimentan la creación de un Dossier de Contexto y Capacidad, que sirve como el producto de conocimiento central. Este dossier informa la definición del alcance del tema, la lista larga de temas candidatos, el muestreo de expertos (asegurando la diversidad más allá de solo los autores publicados) y la preparación de informes de evidencia. Crucialmente, el marco preserva la lógica central de CHNRI: los expertos siguen puntuando de forma independiente y las partes interesadas siguen ponderando los criterios. La innovación reside en los insumos para ese juicio.

Contribuciones Clave y Resultados
El artículo describe un flujo de trabajo de cuatro fases:

1. Alcance Protocolizado: Definición de límites, ventanas temporales y gobernanza para reducir la flexibilidad analítica y asegurar la auditabilidad.
2. Inteligencia de Panorama: Generación de mapas científicos, redes de colaboración, indicadores de preparación de patentes y carteras de financiación deduplicadas.
3. Calibración CHNRI: Uso del dossier para informar la definición de contexto, el muestreo de expertos y los informes de evidencia, reduciendo así la asimetría de información.
4. Puntuación y Evaluación: Realización de la puntuación estándar de CHNRI seguida de dos nuevas capas de evaluación:
   • Análisis de Concordancia de Capacidad: Comparación de los rankings de prioridad finales contra indicadores agregados de capacidad para identificar desajustes (por ejemplo, alta prioridad pero baja capacidad).
   • Benchmarking de Cobertura de Cartera: Clasificación de las prioridades basadas en la inversión pública existente (altamente cubierta, adecuadamente cubierta o subcubierta).

El resultado principal es la Matriz de Prioridad-a-Acción, que traduce una puntuación de prioridad única en distintas respuestas de política basadas en la preparación y la cobertura. Por ejemplo, un tema de "Alta prioridad, baja capacidad, subcubierto" activa una recomendación para invertir en fuerza laboral e infraestructura, mientras que un tema de "Alta prioridad, alta capacidad, altamente cubierto" sugiere una necesidad de coordinación y síntesis en lugar de nueva investigación fragmentada.

Significancia y Reivindicaciones
Los autores posicionan al CHNRI-B como una herramienta para hacer que la priorización de la investigación en salud sea más reproducible, auditable e implementable sin reemplazar el juicio deliberativo. Su significancia radica en:

• Cerrar la Brecha de Evidencia: Operacionaliza la construcción de evidencia "ascendente" (contexto, capacidad, financiación) que el CHNRI estándar a menudo deja implícita.
• Distinguir Prioridad de Preparación: Separa explícitamente el valor de un tema de investigación de la capacidad para ejecutarlo, permitiendo a los tomadores de decisiones distinguir entre prioridades "listas para escalar" y prioridades de "invertir para construir capacidad".
• Abordar Inequidades Estructurales: Particularmente para los Países de Ingresos Bajos y Medios (LMIC), el marco hace visibles las restricciones de capacidad estructural sin despriorizar automáticamente los temas de alta carga y baja capacidad. En su lugar, los señala para inversiones de habilitación.
• Mejorar la Transparencia: Al requerir protocolos pre-registrados para la recuperación de datos y preservar las cadenas de búsqueda y el código, aborda la crisis de reproducibilidad en la RPS.

El artículo mantiene sus reivindicaciones con modestia, señalando que es un marco propuesto que requiere evaluaciones comparativas prospectivas para probar si mejora la convergencia, la robustez, la equidad y la confianza de las partes interesadas en aplicaciones del mundo real. Reconoce limitaciones respecto a la disponibilidad de datos, el sesgo de idioma en las bases de datos y el riesgo de captura de métricas, enfatizando que los indicadores son herramientas descriptivas para la capacidad y la cobertura, no sustitutos del juicio normativo sobre el valor público.