Visualización de Datos en “Dashboards”: Brasil Frente a los Líderes Mundiales en Ensayos Clínicos

Aline Kassuda; Fernando Celso de Campos

DOI: 10.22167/2675-6528-202602625

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La escasez de visualizaciones estratégicas de datos brutos de ensayos clínicos en ClinicalTrials.gov, especialmente sobre los escenarios brasileño e internacional, motivó el presente estudio. El estudio tuvo como objetivo aplicar enfoques de inteligencia de negocios para desarrollar paneles interactivos en Microsoft Power BI® que permitieran organizar, visualizar y monitorear datos de ensayos clínicos patrocinados por la industria, comparando el desempeño de Brasil con los tres países líderes mundiales en el período de 2015 a 2025. Para ello, se utilizó el ciclo de vida de los datos y técnicas de narrativa de datos, extrayendo información del repositorio público ClinicalTrials.gov vía API. Los datos fueron manipulados con Python y Power Query®, modelados en esquema estrella y visualizados en un panel interactivo en Microsoft Power BI®. La aplicabilidad del panel fue evaluada por 26 profesionales del área de investigación clínica a través de un cuestionario electrónico. Los resultados demostraron la eficacia de la solución, que obtuvo validación de los profesionales por la claridad, facilidad de navegación y utilidad para la comprensión del posicionamiento de Brasil y la reducción del tiempo de análisis. La satisfacción general con el panel alcanzó un promedio de 4,46 en una escala de 1 a 5. Se concluyó que la inteligencia de negocios es fundamental para transformar datos abiertos en inteligencia visual, permitiendo el monitoreo ágil y cualificado de la investigación clínica nacional en el escenario global y apoyando la toma de decisiones estratégicas.

Palabras clave: Inteligencia de Negocios; Monitoreo; Narrativa; Panel Interactivo; Investigación Clínica.

1. Introducción

La investigación clínica impulsa la innovación médico-científica, contribuyendo significativamente a la salud pública y al bienestar de los pacientes. En este contexto, los ensayos clínicos son fundamentales para producir evidencia de seguridad y eficacia de nuevas terapias a lo largo de sus diferentes fases de investigación (Kandi y Vadakedath, 2023). Para validar estas evidencias, es necesario conducir el ensayo clínico en poblaciones y escenarios epidemiológicos diversos, factor que ha impulsado la globalización de los ensayos clínicos más allá de Estados Unidos de América y Europa Occidental. Aunque este fenómeno es una tendencia creciente en los ensayos clínicos patrocinados por la industria, su distribución aún se concentra en países de altos ingresos, revelando importantes brechas de representación (Payedimarri et al., 2023).

Los ensayos clínicos generan un alto volumen de información. Ante esto, el registro público de las investigaciones es esencial para asegurar la transparencia y la calidad científica, además de reducir el sesgo de publicación y el relato selectivo de los desenlaces, representando el cumplimiento de una responsabilidad ética de los investigadores. Desde 2005, el International Committee of Medical Journal Editors pasó a exigir el registro en plataformas públicas certificadas por la Organización Mundial de la Salud, como el ClinicalTrials.gov y el Registro Brasileño de Ensayos Clínicos, para publicaciones en los principales periódicos internacionales. En Brasil, esta misma recomendación fue adoptada en 2007 para publicaciones en Latin American and Caribbean Health Sciences Literature y en Scientific Electronic Library Online. Las resoluciones federales brasileñas (Resolución de Directorio Colegiado 39/2008 y Resolución de Directorio Colegiado 36/2012) hicieron obligatorio el registro para investigaciones con nuevos medicamentos (Freitas et al., 2016). Entre las diversas plataformas públicas certificadas por la Organización Mundial de la Salud, el ClinicalTrials.gov es considerado el mayor repositorio global de ensayos clínicos y proporciona datos estructurados que favorecen la aplicación de automatizaciones, haciendo más eficiente el análisis de un gran volumen de datos (Yu et al., 2024).

El volumen y la complejidad de los datos recopilados hacen del análisis una etapa indispensable para la comprensión del escenario de los ensayos clínicos. En este contexto, los enfoques de inteligencia de negocios ayudan en el tratamiento y la organización de estos datos, transformándolos en información estratégica que apoya la toma de decisiones (Bottrighi et al., 2024). Para este propósito, las herramientas que optimizan el proceso exploratorio son fundamentales para obtener información de manera eficiente. El lenguaje de programación Python contribuye a la automatización y unificación de grandes volúmenes de datos, lo que aporta eficiencia operativa y aumento de la fiabilidad de la información al reducir la ocurrencia de errores. Las bibliotecas de Python, como Pandas, son indispensables para conectar y manipular datos de diversas fuentes, lo que las hace esenciales para la preparación robusta e integrada de las bases que alimentan los paneles o dashboards, garantizando la calidad de los análisis (Ferreira et al., 2024).

Los datos de los paneles deben ser comprensibles para los usuarios de la información. La narrativa de datos o data storytelling ayuda a la comunicación de las visualizaciones al articular datos, elementos visuales y narrativa, centrando la atención en los aspectos más relevantes y simplificando la interpretación de análisis complejos (Echeverria et al., 2018). Knaflic (2019) añade que la comunicación eficaz con datos requiere comprender el contexto y el público, seleccionar el recurso visual adecuado, eliminar elementos que no contribuyan al mensaje y dirigir la atención del lector a los puntos esenciales. En la rutina de la investigación clínica, el uso de paneles funciona como una interfaz que consolida la información de los ensayos clínicos. La utilización de paneles proporciona una visión integral e integrada de la información, facilitando la identificación de patrones y la exploración de posibles escenarios. Para la composición de estos paneles, Microsoft Power BI es una herramienta accesible y versátil para manipular, analizar y visualizar diferentes conjuntos de datos. La facilidad de uso y la interactividad de las visualizaciones transforman datos en gráficos, posibilitando explorar diferentes formatos visuales, características esenciales para un análisis exploratorio eficaz (Becker y Gould, 2019).

Ante la escasez de visualizaciones que evidencien la posición de Brasil frente a los líderes mundiales en la conducción de ensayos clínicos, la utilización de la inteligencia de negocios se muestra relevante para sistematizar los datos de Brasil en relación con los países líderes en registros de ensayos clínicos en el repositorio público ClinicalTrials.gov. El uso de inteligencia de negocios es fundamental para convertir datos abiertos en inteligencia visual, permitiendo el monitoreo ágil y cualificado de la investigación clínica nacional frente al escenario mundial. En este contexto, el objetivo de este trabajo fue aplicar herramientas de inteligencia de negocios para desarrollar paneles interactivos en Microsoft Power BI que permitan organizar, visualizar y monitorear los datos de los ensayos clínicos patrocinados por la industria, considerando a Brasil y a los tres países líderes en registros en el repositorio público ClinicalTrials.gov.

2. Material y Métodos

El presente trabajo se clasificó como investigación aplicada, de naturaleza exploratoria y descriptiva, según Gil (2022). El enfoque metodológico fue cuantitativo, utilizando datos estructurados para analizar el posicionamiento de Brasil en ensayos clínicos globales y evaluar el panel desarrollado. Técnicamente, el estudio fue bibliográfico y documental, utilizando datos secundarios de repositorios públicos, como el ClinicalTrials.gov.

Los datos se obtuvieron de dos fuentes: extracción de datos secundarios de ClinicalTrials.gov y encuesta de las percepciones de profesionales de investigación clínica a través de un formulario electrónico anónimo, que no solicitó información personal o identificable. El trabajo observó las disposiciones éticas aplicables, dispensando registro y evaluación por el Sistema CEP/Conep, conforme a las Resoluciones CNS n° 510, de 2016, y n° 466, de 2012.

El desarrollo del trabajo siguió seis etapas secuenciales, adaptadas de los procesos de Business Intelligence [BI] de Foley y Guillemette (2010): definición estratégica, recopilación de datos, manipulación de datos, modelado y estructuración, visualización y comunicación, y evaluación de la aplicabilidad del panel.

En la etapa de definición estratégica, se planificó el desarrollo del panel, accediendo a ClinicalTrials.gov () debido a su alcance global y datos estructurados. El alcance de los datos se delimitó a estudios clínicos iniciados entre 2015 y 2025, centrándose en ensayos intervencionistas patrocinados por la industria. Los criterios de selección de variables priorizaron la relevancia, los datos estructurados y la comparabilidad internacional (Bahia, 2021).

La recolección de datos utilizó la interfaz de programación de aplicaciones [API] v2 de ClinicalTrials.gov (National Library of Medicine, 2025; Zarin et al., 2011), seleccionada por ofrecer acceso estructurado y reproducible. Los datos originales en inglés fueron traducidos al portugués, y las observaciones con valores ausentes fueron excluidas para optimizar los análisis.

La manipulación de los datos siguió el proceso de extracción, transformación y carga [ETL] (Foley y Guillemette, 2010). La extracción se automatizó con Python a través de la API v2 de ClinicalTrials.gov, incluyendo análisis exploratorio de inconsistencias. La transformación fue híbrida, utilizando Python y Power BI® para la estandarización, limpieza de duplicados y valores ausentes, y enriquecimiento (Souibgui et al., 2019). Los datos tratados se cargaron en el modelo en Power BI®. Los detalles sobre códigos y listas de países se encuentran en .

El modelado y la estructuración de los datos emplearon el esquema estrella (“star schema”) para viabilizar la interactividad de los paneles y el cálculo de métricas. En Microsoft Power BI®, las tablas se estructuraron con una tabla de hechos central y tablas de dimensión conectadas, gestionando relaciones complejas entre países. Las medidas para el panel se construyeron utilizando el lenguaje Data Analysis Expressions [DAX], agrupadas en diversas categorías de indicadores. Las fórmulas detalladas están disponibles en el repositorio GitHub.

La etapa de visualización y comunicación consistió en el desarrollo del panel en Microsoft Power BI®, diseñado para organizar y comunicar los resultados de forma visual, comparable y estructurada (Foley y Guillemette, 2010). El panel se dividió en tres páginas temáticas: visión global, escenario brasileño y comparación Brasil versus los tres países líderes. Las visualizaciones se construyeron con recursos interactivos y elementos gráficos diversos, siguiendo a Knaflic (2019) para una comunicación eficaz. El panel está disponible públicamente en .

La evaluación de la aplicabilidad de los paneles, la etapa final, verificó la utilidad práctica de la solución. Se recopilaron las percepciones de profesionales de investigación clínica a través de un formulario electrónico anónimo, con preguntas en escala Likert de cinco puntos. Las preguntas se basaron en atributos de calidad para paneles sugeridos por Almasi et al. (2023), como utilidad y facilidad de uso. La muestra fue por conveniencia y participación voluntaria, y los detalles del cuestionario se encuentran en el repositorio GitHub.

3. Resultados y Discusión

La presente sección detalla los resultados obtenidos en cada etapa de la investigación, acompañada de un análisis crítico que contextualiza los hallazgos y sus implicaciones. El estudio tuvo como objetivo aplicar enfoques de inteligencia de negocios para desarrollar paneles interactivos en Microsoft Power BI® que permitieran organizar, visualizar y monitorear datos de ensayos clínicos patrocinados por la industria, comparando el desempeño de Brasil con los tres países líderes mundiales en el período de 2015 a 2025. Los resultados demuestran la eficacia de la solución propuesta y su validación por profesionales del área, evidenciando el potencial de la inteligencia de negocios para transformar datos brutos en información estratégica y visual.

La etapa inicial, denominada Definición Estratégica, fue crucial para orientar la construcción del panel, estableciendo el alineamiento con el objetivo del trabajo, el recorte analítico y la selección de los indicadores. La exploración del repositorio ClinicalTrials.gov permitió identificar un conjunto de variables adecuadas para el cálculo de las métricas. Entre las variables seleccionadas, se destacan la clase del patrocinador, las fechas de inicio y conclusión del estudio, la fecha de la última actualización, la fase del ensayo, el identificador único del estudio (NCT), los países de ubicación, el patrocinador principal, el estado y el tipo de estudio. Estas variables, en conjunto, posibilitaron la caracterización de los ensayos clínicos en cuanto a su perfil, conducción, patrocinadores y distribución geográfica, conforme a la National Library of Medicine (2025).

Los indicadores definidos para el trabajo fueron predominantemente estratégicos, concebidos para ofrecer una visión integral del entorno internacional de la investigación clínica y del posicionamiento de Brasil. Este enfoque está en consonancia con Van de Ven et al. (2023), quienes resaltan la importancia de indicadores impulsados por perspectivas externas para reflejar la estrategia competitiva de una organización. Sin embargo, durante la exploración de la base de datos, se identificaron limitaciones significativas en relación con dos variables potenciales: el número de pacientes reclutados y las condiciones o enfermedades estudiadas. Se optó por no incluir estas variables en la composición de los indicadores para preservar la consistencia y la comparabilidad de los análisis.

La limitación referente al número de pacientes reclutados se debe al hecho de que el valor informado en ClinicalTrials.gov corresponde al total global del estudio, sin la posibilidad de desglosar estos datos por país, lo que inviabilizaría comparaciones entre diferentes naciones. En cuanto a las condiciones o enfermedades estudiadas, se observó que esta información no presentaba estandarización por áreas terapéuticas, revelando alta granularidad y heterogeneidad en el llenado. Esta inconsistencia podría comprometer la fidelidad de los análisis y llevar a duplicidades o errores de conteo, justificando la decisión de excluirlas del alcance del panel para garantizar la integridad de los resultados.

La etapa de Recolección de datos se centró en la evaluación de los métodos para obtener la información disponible en ClinicalTrials.gov. Inicialmente, se examinó la extracción directa a través de la plataforma, pero presentó limitaciones para el alcance analítico definido, especialmente en cuanto a la categorización de la clase del patrocinador. La documentación de la National Library of Medicine (2024) indica que las definiciones de patrocinadores del sistema son propias, lo que exige cautela en la interpretación con fines comparativos. Ante esto, se seleccionó la interfaz de programación de aplicaciones (API) como la opción más adecuada, ya que proporciona un acceso más estructurado, estandarizado y reproducible a los registros, alineándose con el enfoque de inteligencia de negocios.

La elección de la API representó un avance metodológico, permitiendo una mayor estandarización, trazabilidad y reproducibilidad del proceso de recolección, además de favorecer la integración con las etapas subsecuentes de tratamiento y análisis de los datos. Las variables y observaciones fueron traducidas al idioma portugués, ampliando la accesibilidad y la comprensión de los datos en el contexto del trabajo. Adicionalmente, se optó por excluir observaciones con valores ausentes de la base, a fin de reducir ruidos analíticos y evitar perjuicios a los análisis. Esta decisión, aunque pudo haber implicado la pérdida de alguna información relevante, aumentó la viabilidad analítica del conjunto de datos, estableciendo recortes y limitaciones que fueron considerados en las interpretaciones.

La etapa de Manipulación de Datos fue esencial para transformar los datos brutos del ClinicalTrials.gov en una base estructurada y adecuada al objetivo del trabajo, siguiendo un proceso híbrido de extracción, transformación y carga (ETL) que utilizó el lenguaje Python y el Power Query® de Microsoft Power BI®. Inicialmente, se realizó la extracción de los datos vía API v2 del ClinicalTrials.gov, tras la identificación de los nombres de los campos y tipos de datos. El análisis exploratorio con Python permitió identificar valores ausentes, datos duplicados y otras inconsistencias, dirigiendo los procedimientos de tratamiento.

La base de datos bruta contenía 58.165 observaciones. Se verificó que el identificador único del estudio (NCT_Id) no presentaba valores ausentes ni duplicados, con 58.165 valores únicos, garantizando que cada observación correspondía a un ensayo clínico distinto. Campos como “status”, “lead_sponsor”, “start_date” y “last_update_post_date” estaban completos. El campo “completion_date” presentaba un 98,78% de completitud. Los campos “sponsor_class” y “study_type” poseían solo un valor único, lo que simplificó la estandarización y el análisis. Estos puntos positivos de la base bruta facilitaron el proceso de limpieza y organización de los datos.

Sin embargo, se identificaron puntos de atención importantes que requirieron tratamiento. La variable “fase” (“phases”) presentó el mayor número de valores ausentes, con 14.223 registros incompletos, lo que representaba el 24,45% de la base. La variable “países de localización” (“countries”) fue la segunda en número de ausencias, con 3.377 registros faltantes, correspondiente al 5,81% del total. Para resolver estas inconsistencias, los ensayos clínicos con fases y países ausentes fueron eliminados de la base, resultando en una base tratada con 54.788 observaciones, una reducción de 3.377 registros en relación con la base bruta original.

Después del tratamiento, la variable “fases” tuvo sus valores ausentes rellenados con la sigla NA, alcanzando el 100% de completitud, mientras que los valores ausentes de la variable “países” fueron eliminados, también resultando en el 100% de completitud para esta variable. El tratamiento inicial con Python generó la base de datos tratada, que fue posteriormente refinada en Power Query® de Microsoft Power BI®. Las principales transformaciones incluyeron la promoción de encabezados, la definición de tipos de datos, la conversión de columnas de fechas y texto, y la selección de columnas relevantes para la creación de la tabla hecho (FATO_Ensayos).

Para estandarizar los nombres de los países, se importaron archivos XML con los nombres en inglés y portugués de la base de datos de la Unión Europea, creando tablas auxiliares (Paises_EN y Paises_PT). Se desarrolló una consulta auxiliar, Paises_EN_Padronizado, para identificar y corregir nombres de países sin correspondencia automática. Se creó la tabla puente BRIDGE_Paises para resolver la relación de muchos a muchos entre la tabla de hechos y la dimensión de países, ya que un mismo ensayo clínico puede ser conducido en múltiples países. Esta etapa de manipulación de datos fue fundamental para garantizar la calidad y la consistencia de la base analizada, demostrando que el manejo de bases públicas exige un cuidado metodológico riguroso para asegurar la confiabilidad de los resultados.

La etapa de Modelado y Estructuración fue crucial para organizar los datos de manera consistente, utilizando el modelado dimensional en esquema de estrella (“star schema”) en Microsoft Power BI®. Este diseño estructural se prefiere debido a su rendimiento, garantizando la velocidad de procesamiento necesaria para el acceso rápido a la información de negocio, según Foley y Guillemette (2010). El modelo se centró en una tabla de hechos que contiene los registros de los ensayos clínicos, conectada a tablas de dimensión que categorizan y permiten filtros comparativos, como DIM_Paises, DIM_Status, DIM_Fases y DIM_Data.

La creación de la tabla puente BRIDGE_Paises fue una solución eficaz para representar la participación multicéntrica de los ensayos clínicos, preservando la integridad del modelo y la coherencia de los recuentos por país. Tras el modelado, se construyeron diversas medidas utilizando el lenguaje Data Analysis Expressions (DAX) para calcular los indicadores del panel. Estas medidas se agruparon en categorías, incluyendo volumen y dimensión (Ensayos Totales, Países Totales), participación y composición (Fases (%), Participación País en el Total Global (%)), crecimiento y variación temporal (YoY (%), CAGR), base histórica e índices de evolución (Índice Base100), y clasificación y posicionamiento competitivo (Ranking País, Patrocinador Top1).

La construcción de medidas comparativas entre Brasil y el escenario internacional representó un desafío significativo debido a la diferencia de escala entre los volúmenes de ensayos clínicos. Para sortear esta cuestión y facilitar la interpretación de las visualizaciones, se optó por el uso de un índice de base fija, donde el año base se definió como 100 tanto para Brasil como para el escenario global. Además, para comparar Brasil con los tres países líderes, la tasa de variación anual se ajustó, utilizando la media anual de los tres países líderes en cada período, lo que permitió mantener la comparación a lo largo del tiempo, aunque suavizando diferencias específicas entre los propios países líderes. Este enfoque garantizó mayor confiabilidad de los resultados presentados.

La etapa de Visualización y Comunicación resultó en el desarrollo de un panel interactivo en Microsoft Power BI®, estructurado para organizar y comunicar los resultados de forma visual y comparable. El panel se dividió en tres páginas temáticas para guiar al usuario desde una visión macro del escenario internacional hasta análisis más específicos sobre Brasil y su posición en relación con los líderes mundiales. La primera página, “Escenario Internacional”, caracterizó el entorno global de los ensayos clínicos, presentando un total de 54.788 estudios y 164 países involucrados, con una tasa de crecimiento anual compuesta (CAGR) global del 2,0%.

Estados Unidos lideraron el número de estudios con 27.529, seguidos por China con 9.958 y Alemania con 7.107. Los principales patrocinadores globales identificados fueron AstraZeneca, Pfizer, Eli Lilly, Novartis y GSK. En cuanto a las fases de los estudios, el 54% fueron de fase temprana (0 a II), el 24% de fase tardía (III), el 18% de post-comercialización (IV) y el 4% no aplicable. La evolución temporal global de los estudios y la tasa de variación anual se presentaron, mostrando la dinámica del mercado de investigación clínica a lo largo del tiempo, con variaciones anuales que oscilaron entre -6,3% y 8,1% en el período analizado.

La segunda página, “Escenario Brasileño”, exploró la participación de Brasil en el contexto mundial, proporcionando una visión detallada del mercado nacional de ensayos clínicos. Se verificó que Brasil registró 2.118 estudios, con una tasa de crecimiento anual compuesta (CAGR) del 3,7% y una participación del 3,9% del total global. Los principales patrocinadores en Brasil fueron AstraZeneca, Roche, Novartis, MSD y Janssen. La distribución de las fases de los estudios en Brasil mostró un 68% en fase inicial (0 a II), un 23% en fase tardía (III), un 6% en post-comercialización (IV) y un 3% no aplicable. La evolución temporal de los estudios en Brasil y la comparación con el escenario global, utilizando un índice base 100, revelaron la trayectoria de crecimiento del país, con variaciones anuales que oscilaron entre el -21% y el 28%.

La tercera página, “Brasil vs. Top 3”, ofreció una visualización comparativa del desempeño de Brasil en relación con los tres países líderes en registros de ensayos clínicos. Brasil ocupó la 19ª posición en el ranking global, con un 3,9% de participación. La distancia relativa de Brasil en relación con el líder global (Estados Unidos) fue de -63,8%, representando una distancia absoluta de -17.571 estudios. El patrocinador líder en Brasil fue AstraZeneca. La distribución de las fases de los estudios en Brasil, con un 68% en fase inicial y un 23% en fase tardía, se comparó con la media de los tres países líderes. La variación anual de Brasil en relación con la media del Top 3 y el índice de evolución con base 100 también se presentaron, evidenciando el posicionamiento competitivo del país.

Las páginas del panel facilitaron la organización y la comunicación de los resultados, pero es importante resaltar que las visualizaciones simplifican un fenómeno complejo. Los indicadores ayudan a describir el escenario de la investigación clínica, pero no son suficientes para explicar los factores que influyen en la posición de cada país. La elección metodológica de usar un índice con base fija igual a 100 para comparar Brasil con el mundo, aunque importante para comparar la evolución de las series, redujo la percepción de la diferencia real de magnitud entre los volúmenes. De la misma manera, la adopción de la media anual de los tres países líderes para comparación suavizó diferencias específicas, lo que puede ocultar comportamientos particulares de cada uno de ellos.

La etapa final, Evaluación de la aplicabilidad de los paneles, involucró a 26 profesionales del área de investigación clínica que respondieron a un cuestionario electrónico. La muestra estuvo compuesta predominantemente por participantes con más de diez años de experiencia, en cargos de gestión (gerentes/directores) y con familiaridad intermedia o alta con el análisis de datos y el uso de paneles. Este perfil de los participantes confiere mayor consistencia a la interpretación de los resultados positivos obtenidos, sugiriendo que la herramienta fue evaluada por un público con experiencia relevante en el contexto analizado. El cuestionario utilizó una escala Likert de cinco puntos, que varía de 1 (Totalmente en desacuerdo) a 5 (Totalmente de acuerdo), para medir la percepción sobre la herramienta.

El nivel general de satisfacción con el panel alcanzó un promedio de 4,46. Los ítems con las mejores evaluaciones, con un promedio de 4,77, fueron la facilidad de aprendizaje, la organización visual y el tiempo de carga y respuesta de la herramienta. Los participantes destacaron positivamente la comprensión del posicionamiento de Brasil en relación con los países líderes, con un promedio de 4,73, y la percepción de reducción del tiempo de análisis en comparación con la consulta directa a la plataforma ClinicalTrials.gov, con un promedio de 4,65. El panel fue percibido como claro, de fácil uso y útil para apoyar las actividades analíticas relacionadas con los estudios clínicos, facilitando la localización de información, el entendimiento de los datos y la identificación de insights.

Las respuestas abiertas del cuestionario reforzaron la percepción positiva, pero también señalaron oportunidades de mejora. Las sugerencias más recurrentes incluyeron la necesidad de hacer más explícito el período analizado, la inclusión de leyendas o explicaciones adicionales en algunos gráficos y la ampliación del nivel de detalle de la información. También se sugirió explicar mejor el origen y el recorte de los datos e incorporar nuevas variables, como clases terapéuticas, número de pacientes y distinción entre tipos de patrocinadores, lo que indica un camino para el refinamiento continuo de la herramienta y la ampliación de su capacidad explicativa.

En síntesis, la aplicación de los enfoques de inteligencia de negocios permitió el desarrollo de paneles interactivos que organizan, visualizan y monitorean los datos de ensayos clínicos patrocinados por la industria, proporcionando una visión clara del posicionamiento de Brasil en relación con los líderes mundiales. La solución demostró ser eficaz en la transformación de datos brutos en inteligencia visual, facilitando el análisis y la toma de decisiones estratégicas, aunque la complejidad inherente a los datos y las elecciones metodológicas exigen una interpretación cautelosa de los resultados presentados.

4. Conclusión

El presente estudio buscó aplicar enfoques de inteligencia de negocios para desarrollar paneles interactivos en Microsoft Power BI® que permitieran organizar, visualizar y monitorear datos de ensayos clínicos patrocinados por la industria, comparando el desempeño de Brasil con los tres países líderes mundiales en el período de 2015 a 2025. Se verificó que la solución propuesta, construida con base en el ciclo de vida de los datos y técnicas de narrativa de datos, extrajo información del repositorio público ClinicalTrials.gov vía API, las manipuló con Python y Power Query® y las modeló en esquema estrella. Los paneles resultantes organizaron un total de 54.788 estudios en 164 países, presentando una visión detallada del escenario internacional, de la participación brasileña (2.118 estudios, 3,9% del total global, 19ª posición) y de su comparación con los líderes. La aplicabilidad del panel fue evaluada por 26 profesionales del área de investigación clínica, quienes expresaron alta satisfacción (promedio de 4,46 sobre 5), destacando la claridad, la facilidad de navegación y la utilidad para comprender el posicionamiento de Brasil y reducir el tiempo de análisis, evidenciando la eficacia de la herramienta en la transformación de datos brutos en inteligencia visual estratégica.

A pesar de la contribución práctica de la herramienta para el monitoreo ágil y cualificado de la investigación clínica nacional y el apoyo a la toma de decisiones estratégicas, se identificaron algunas limitaciones metodológicas. El uso de un índice de base fija y la media anual de los países líderes, aunque esenciales para la comparación temporal, suavizaron las diferencias de magnitud y comportamientos específicos. Además, el enfoque cuantitativo de los indicadores no abarcó aspectos cualitativos importantes, como la complejidad de los estudios o el impacto científico. Las sugerencias de los profesionales indicaron la necesidad de hacer más explícito el período analizado, incluir leyendas y ampliar el detalle de la información, incorporando variables como clases terapéuticas, número de pacientes y distinción entre tipos de patrocinadores. Para estudios futuros, se recomienda investigar la aplicabilidad del panel en el día a día de la toma de decisiones y expandir el perfil de profesionales consultados para validación en diferentes contextos, además de implementar los ajustes sugeridos para el refinamiento continuo de la herramienta.

Referencias Bibliográficas

Almasi, S.; Bahaadinbeigy, K.; Ahmadi, H.; Sohrabei, S.; Rabiei, R. 2023. Usability Evaluation of Dashboards: A Systematic Literature Review of Tools. BioMed Research International. 2023:9990933. doi:10.1155/2023/9990933.

Bahia, L.O. 2021. Guia Referencial para Construção e Análise de Indicadores. Enap, Brasília, DF, Brasil.

Becker, L.T.; Gould, E.M. 2019. Microsoft Power BI: Extending Excel to manipulate, analyze, and visualize diverse data. Serials Review 45(3-4):180-187. doi:10.1080/00987913.2019.1644891

Bottrighi, A., Gandini, E., Nera, S., Piovesan, L., Raina, E.; Terenziani, P. 2024. Business Intelligence Enhancements to EDC for Clinical Trial Management. In: Proceedings of the 17th International Joint Conference on Biomedical Engineering Systems and Technologies. p. 537-544. SciTePress, Setúbal, Portugal. doi:10.5220/0012396600003657

Echeverria, V.; Martinez-Maldonado, R.; Granda, R.; Chiluiza, K.; Conati, C.; Buckingham Shum, S. 2018. Driving data storytelling from learning design. In: Proceedings of the 8th International Conference on Learning Analytics and Knowledge. p. 131-140. ACM, New York, NY, Estados Unidos. doi:10.1145/3170358.3170380

Ferreira, I.T.; Freitas, C.R. de; Luche, J.R.D. 2024. Integração e automação de Data Lakes com Python para análises em Dashboards. Revista de Gestão e Secretariado, 15(9):e4105. doi:10.7769/gesec.v15i9.4105

Foley, E.; Guillemette, M.G. 2010. What is business intelligence? International Journal of Business Intelligence Research 1(4): 1-28. doi:10.4018/jbir.2010100101

Freitas, C.G; Pesavento, T.F.C.; Pedrosa, M.R.; Riera, R.; Torloni, M.R. 2016. Practical and conceptual issues of clinical trial registration for Brazilian researchers. São Paulo Medical Journal, 134(1), 28–33. doi: 10.1590/1516-3180.2014.00441803

Gil, A.C. 2022. Como Elaborar Projetos de Pesquisa. 7ed. Atlas, Barueri, SP, Brasil.

Kandi, V.; Vadakedath, S. 2023. Clinical Trials and Clinical Research: A Comprehensive Review. Cureus 15(2):e35077. doi:10.7759/cureus.35077

Knaflic, C.N. 2019. Storytelling com Dados: Um Guia Sobre Visualização de Dados. 2ed. Alta Books, Rio de Janeiro, RJ, Brasil.

National Library of Medicine. 2024. ClinicalTrials.gov – Search Areas. Disponível em: https://clinicaltrials.gov/data-api/about-api/search-areas#SponsorSearch. Acesso em: 18 jan. 2026.

National Library of Medicine. 2025. ClinicalTrials.gov – About ClinicalTrials.gov. Disponível em: https://clinicaltrials.gov/about-site/about-ctg. Acesso em: 17 jan. 2026.

Payedimarri, A.B; Mouhssine, S.; Aljadeeah, S.; Gaidano, G.; Ravinetto, R. 2023. Globalisation of industry-sponsored clinical trials for breast, lung and colon cancer research: trends, threats and opportunities. BMJ Oncology 2(1):e000101. doi:10.1136/bmjonc-2023-000101

Souibgui, M.; Atigui, F.; Zammali, S.; Cherfi, S.; Ben Said, Y. 2019. Data quality in ETL process: A preliminary study. Procedia Computer Science, 159:676–687. doi: 10.1016/j.procs.2019.09.223

Van de Ven, M.; Lara Machado, P.; Athanasopoulou, A.; Aysolmaz, B.; Turetken, O. 2023. Key performance indicators for business models: a systematic review and catalog. Information Systems and E-Business Management 21(3): 753-794. doi: 10.1007/s10257-023-00650-2

Yu, T.; Yang, X.; Clark, J.; Lin, L.; Furuya-Kanamori, L.; Xu, C. 2024. Accelerating evidence synthesis for safety assessment through ClinicalTrials.gov platform: a feasibility study. BMC Medical Research Methodology 24(1):165. doi:10.1186/s12874-024-02225-2

Zarin, D.A.; Tse, T.; Williams, R.J.; Califf, R.M.; Ide, N.C. 2011. The ClinicalTrials.gov results database update and key issues. New England Journal of Medicine 364(9): 852-860.doi:10.1056/NEJMsa1012065

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy