Decisioning probabilístico para farma — Monte Carlo, Bayesian y Arrhenius en QA, transporte y negociación

1. Resumen ejecutivo

Las decisiones operativas farmacéuticas — liberar un lote tras una excursión de temperatura, puntuar la cobertura de una licitación, plantear una contraoferta a una reclamación de precio de un proveedor — se formulan habitualmente como si tuvieran respuestas únicas y correctas. No las tienen. La realidad subyacente es siempre probabilística: una distribución de pérdida de vida útil dado el perfil de tiempo-temperatura, una distribución de probabilidad de adjudicación dado el historial de la ruta, una distribución de aceptación del proveedor dado el BATNA.

Este documento defiende sustituir el paradigma determinista de soporte a la decisión por uno probabilístico que muestre las distribuciones y los intervalos de confianza como resultados de primera clase. Recorremos tres fundamentos matemáticos — la simulación Monte Carlo, la inferencia bayesiana y la cinética de Arrhenius — y demostramos cada uno con un ejemplo operativo farmacéutico resuelto.

2. El problema — estimaciones puntuales en un mundo probabilístico

Considere un escenario típico. Un envío en cadena de frío de un ingrediente farmacéutico activo (API) sufre una excursión de 6 horas por encima de 8 °C, con un pico de 14 °C. El equipo de QA debe decidir: liberar el lote o rechazarlo. Las herramientas clásicas de soporte a la decisión — habitualmente Excel con una consulta de datos de estabilidad, o un flujo de trabajo de QMS basado en reglas fijas — devuelven una única respuesta: "liberar" o "rechazar", opcionalmente con una única cifra estimada de pérdida de vida útil (por ejemplo, "11 días").

Este planteamiento es operativamente cómodo pero epistemológicamente erróneo. La pérdida real de vida útil no es un número único, sino una distribución determinada por:

• La incertidumbre de la energía de activación (E_a) — conocida normalmente con un ±15-20 % a partir de estudios de estabilidad, pero rara vez comunicada como una distribución.
• El error de calibración del sensor — los registradores de datos modernos tienen una precisión de ±0,5 °C a temperatura ambiente, pero se desvían a lo largo del despliegue.
• La inhomogeneidad espacial — el sensor es un único punto del palé; el producto real experimentó un rango de temperaturas.
• Los parámetros de Arrhenius específicos del API — a veces extrapolados de compuestos químicamente similares en lugar de medidos directamente.

Cuando, seis meses después, se le pregunta al equipo de QA — un auditor o el proveedor de un lote devuelto — "¿por qué liberaron esto?", la justificación documentada debe abordar todos estos puntos. Decir "el modelo de Excel indicó que la pérdida de vida útil era de 11 días, por debajo del umbral de 30 días" no es una respuesta defendible. Decir "la distribución calibrada situó la pérdida de vida útil en 11 días ± 4 días (IC del 95 %), con un 3 % de probabilidad de superar los 30 días, lo que nuestra política de riesgo clasifica como aceptable para esta clase de lote" sí lo es.

El mismo patrón se repite en todas las decisiones operativas farmacéuticas. El coste de utilizar estimaciones puntuales no siempre es visible: una licitación adjudicada a un transportista con un riesgo de cola silenciosamente elevado; una contraoferta que el proveedor rechaza porque el BATNA era poco realista; un lote límite liberado porque la herramienta de decisión informó "OK" sin mostrar la distribución.

3. Tres fundamentos matemáticos

Un motor de decisión probabilístico para operaciones farmacéuticas se apoya en tres fundamentos, cada uno apropiado para una clase distinta de pregunta.

Simulación Monte Carlo

Se utiliza cuando la pregunta es "cuál es la distribución de los resultados dadas muchas entradas inciertas". Se muestrean repetidamente las distribuciones de entrada, se calcula el resultado cada vez y se acumula la distribución empírica de salida. Es computacionalmente económica en el hardware moderno; adecuada para la puntuación de cobertura de licitaciones, la previsión de riesgo por ruta y las pruebas de estrés de capacidad.

Inferencia bayesiana

Se utiliza cuando existe una estimación previa que debe actualizarse a medida que llega nueva evidencia. La aplicación farmacéutica clásica es la elasticidad-precio del proveedor: la previa se basa en referencias de la categoría (Fastmarkets, ICIS, LME), la verosimilitud procede de las respuestas reales del proveedor a ofertas anteriores y la posterior es la distribución de elasticidad que deberíamos usar para planificar la siguiente ronda.

Cinética de Arrhenius

La ley empírica de velocidad de la degradación química en función de la temperatura, utilizada para traducir los perfiles de tiempo-temperatura en estimaciones de pérdida de vida útil. La ecuación de Arrhenius es determinista en su forma pero probabilística en su aplicación — los parámetros (A, E_a) son en sí mismos estimaciones con intervalos de confianza procedentes de estudios de estabilidad.

4. Ejemplo resuelto 1: cinética de Arrhenius en el modelado de vida útil por QA

La ecuación de Arrhenius describe la constante de velocidad k de una reacción química (en este caso, la degradación de un API) en función de la temperatura:

Para un evento de excursión de temperatura, la pregunta operativa es: dado el perfil real de tiempo-temperatura del registro del sensor, ¿cuál es la pérdida efectiva de vida útil en comparación con un almacenamiento isotérmico hipotético en la condición etiquetada?

El motor probabilístico calcula:

1. Exposición acumulada — se integra k(T) sobre el perfil real para obtener el tiempo de exposición isotérmica equivalente a la temperatura de referencia.
2. Distribución de pérdida de vida útil — se traduce la exposición en días de vida útil consumidos, propagando la incertidumbre de E_a, A y la calibración del sensor a través del cálculo. Monte Carlo con 10.000 muestras suele converger en segundos.
3. Probabilidad de umbral — dado el umbral de rechazo del cliente (por ejemplo, 30 días), se calcula la probabilidad de que la pérdida de vida útil lo supere.

El resultado no es "vida útil reducida en 11 días", sino "la pérdida de vida útil es de 11 ± 4 días (IC del 95 %), con un 2,7 % de probabilidad de superar el umbral de rechazo de 30 días". A continuación, la capa de política de decisión lo traduce en una recomendación — liberar, retener para revisión por el QP, o rechazar — en función de la clase de lote y la tolerancia al riesgo del cliente.

El beneficio es más evidente seis meses después, cuando un auditor pregunta "por qué se liberó este lote dada la excursión". El paquete de decisión reproducible contiene el perfil de entrada, los parámetros de Arrhenius calibrados, la distribución resultante, la comprobación del umbral y la versión de la política. La decisión es reproducible bit a bit.

5. Ejemplo resuelto 2: inferencia bayesiana en la elasticidad de precios de proveedores

La negociación con proveedores es el escenario clásico de la inferencia bayesiana: tenemos una estimación previa de la elasticidad-precio del proveedor (a partir de referencias de la categoría), observamos su respuesta a una oferta dada y la actualizamos.

La actualización bayesiana de la elasticidad (llamémosla e) es:

Después de 3-5 rondas con un proveedor, la posterior suele converger a una distribución estrecha que nos permite plantear la siguiente contraoferta con una probabilidad de aceptación esperada calibrada. El Decision Hub recomienda entonces cuatro fichas de precio — Solicitado, Objetivo, Techo, Retirada — con sus respectivas probabilidades de aceptación.

El negociador decide cuál enviar. El Decision Hub no afirma que ningún número concreto sea "el mejor" — muestra la curva de compensación entre el ahorro esperado y el riesgo de que el proveedor se retire, y deja que el negociador aplique su criterio con pleno contexto.

6. Ejemplo resuelto 3: Monte Carlo para la puntuación de cobertura de licitaciones

Pregunta: dado el plan de producción del próximo trimestre y las rutas de licitación activas, ¿cuál es la probabilidad de que cubramos el 95 % de la demanda de transporte sin exposición a flete spot?

Monte Carlo gestiona esto de forma natural. Se muestrea a partir de:

• Estocasticidad del plan de producción — probabilidad de desviación por SKU por semana, calibrada históricamente.
• Aceptación del transportista por ruta — tasa histórica de aceptación de adjudicaciones de cada transportista activo en la licitación.
• Volatilidad de la demanda por clase de temperatura — la cadena de frío y el ambiente tienen perfiles de variabilidad distintos.
• Distribución de la inflación de la tarifa spot — por transportista y mes, a partir de los diferenciales históricos entre tarifa spot y de contrato.

Se ejecutan 10.000 simulaciones. El resultado es una distribución sobre el resultado conjunto "tasa de cobertura × coste total de exposición spot". El motor identifica entonces las rutas que más contribuyen al riesgo de cola (el 5 % peor de los resultados) y recomienda una mini-licitación para esas rutas antes de que se concilien las facturas.

Operativamente, esto convierte el "creo que estamos casi cubiertos" del planificador en "tenemos un 87 % de probabilidad de cubrir más del 95 % de la demanda, con el riesgo de cola concentrado en tres rutas; ejecutar una mini-licitación para esas rutas eleva la probabilidad conjunta al 96 %".

7. Auditabilidad — versiones del modelo en cada decisión

La historia de la auditabilidad es lo que separa el decisioning probabilístico de la curiosidad probabilística. Cada paquete de decisión generado por un motor probabilístico correctamente diseñado debe incluir:

• La versión del motor (semver) — para poder reproducir la implementación matemática exacta.
• La versión del conjunto de parámetros (por inquilino) — sus parámetros de Arrhenius específicos, su historial de transportistas específico, sus previas de elasticidad de proveedores específicas.
• La versión del conjunto de reglas (sus SOP) — las barreras estrictas que se ejecutaron antes de la capa probabilística.
• La versión de la capa de política — su configuración específica de tolerancia al riesgo.
• El hash de linaje de los datos de entrada — qué datos brutos alimentaron esta decisión.
• El hash SHA-256 del PDF + JSON de salida completos — para evidencia de manipulación.

Cuando un auditor pregunta "¿por qué recomendó el modelo X hace dos años?" — el equipo reproduce la versión exacta del motor con las entradas exactamente iguales y obtiene exactamente la misma salida. La reproducibilidad bit a bit es el requisito operativo, no un complemento deseable.

8. Qué NO es el decisioning probabilístico

• No es un modelo de lenguaje grande. Los LLM pueden tener un papel en el análisis de notas de excursión en texto libre para convertirlas en campos estructurados, pero no entran en el bucle de recomendación de la decisión. Las distribuciones de probabilidad provienen de modelos matemáticos explícitos, no del muestreo de tokens de generación de texto.
• No es una caja negra. Toda distribución puede inspeccionarse, toda regla es código legible por humanos, toda recomendación se rastrea hasta sus entradas. Si el motor recomienda X y el operador no está de acuerdo, el razonamiento del motor es revisable en su totalidad.
• No sustituye al criterio de QA / QP / compras. El decisioning probabilístico recomienda; los humanos aprueban. La aprobación forma parte del paquete de decisión.
• No es magia. La calidad de la salida está limitada por la calidad de la entrada. El papel del motor incluye señalar cuándo las entradas son insuficientes para una inferencia con confianza — y negarse a recomendar en lugar de fabular.

9. Conclusiones

1. Las decisiones operativas farmacéuticas son probabilísticas por naturaleza; las herramientas deterministas les imponen un encuadre con pérdida de información.
2. Tres fundamentos cubren la mayoría de las clases de decisión operativa: Monte Carlo (previsión), Bayesian (actualización secuencial), Arrhenius (cinética química).
3. La arquitectura adecuada estructura por capas reglas estrictas (SOP / GxP) → modelos probabilísticos → política de decisión (tolerancia al riesgo), con sellos de versión explícitos en cada capa.
4. La auditabilidad requiere reproducibilidad bit a bit, no solo registro — versión del motor, versión de parámetros, versión de reglas, versión de política, hash de entrada y hash de salida en cada paquete de decisión.
5. Probabilístico NO significa opaco. Toda distribución es inspeccionable, toda recomendación es revisable y no hay ningún LLM en el bucle de decisión.