Diagnóstico oncológico con IA: qué implica alcanzar un 93% de precisión clínica

Cuando la IA acierta antes que la segunda opinión: lo que el 93% de acierto en cáncer ya nos está enseñando

Según un análisis reciente de la comunidad Nasscom, los sistemas de inteligencia artificial aplicados al diagnóstico oncológico están igualando —y en varios estudios superando— el rendimiento de especialistas humanos en tareas concretas. En nuestra práctica diaria, pocas cosas generan tanta fricción como una sospecha oncológica que se pierde entre listas de espera, placas que llegan tarde y comités que se demoran semanas, así que conviene leer estas cifras con la calma que merecen. No se trata de titulares inflados ni de promesas de laboratorio: son hallazgos publicados en estudios revisados por pares que ya están reconfigurando cómo entendemos el flujo asistencial. Y la pregunta de fondo ya no es si la IA cambiará el diagnóstico, sino cómo la integramos sin perder lo que ningún modelo puede sustituir: el juicio clínico del facultativo frente al paciente.

Lo que ya muestran los datos revisados por pares

El repaso de la evidencia pone sobre la mesa cifras que invitan a revisar inercias. En cáncer de próstata, una revisión sistemática publicada en 2025, que abarca 23 estudios y más de 23.000 pacientes, sitúa a los sistemas de IA en una mediana de AUC-ROC de 0,88, equiparable o superior a la lectura del radiólogo, con reducciones de hasta el 56% en el tiempo de informe. En mama, el conocido IBM Watson for Oncology alcanzó tasas de concordancia relevantes con las recomendaciones del comité de tumores en un estudio revisado por pares. En radiografía simple, un trabajo reciente indexado en JMIR describe precisiones de hasta el 98,88% en clasificación multiclase de enfermedades a partir de imagen médica. Y en estadificación ovárica, los modelos descritos alcanzan el 97% frente al 88% de los radiólogos.

Lo verdaderamente significativo no es la cifra aislada, sino su procedencia. Cuando un modelo de patología como CHIEF, entrenado por la Escuela Médica de Harvard con más de 60.000 imágenes completas de portaobjetos, ronda el 94% de acierto en detección de cáncer sobre 11 tipos tumorales y 15 bases de datos independientes, la conversación en el servicio deja de ser especulativa.

De la tarea aislada al razonamiento integrado

Aquí aparece el verdadero cambio de paradigma para nosotros, los clínicos. Una revisión sistemática reciente publicada en ScienceDirect, que recoge 123 trabajos sobre IA agéntica en detección de cáncer, muestra que modelos de clase GPT-4 ya clasifican lesiones cutáneas con una precisión equiparable a la del dermatólogo. Pero lo decisivo no es que la IA "vea" mejor en una sola tarea: es que ahora puede combinar, en segundos, hallazgos de imagen con secuencias genómicas, paneles de biomarcadores tumorales, historial de tratamientos previos extraído de la historia clínica electrónica y datos demográficos del paciente. Esa integración multimodal es algo que ningún especialista puede replicar en su cabeza, por brillante que sea, y abre la puerta a un razonamiento clínico asistido que hasta hace poco era ciencia ficción. La IA llega para acompañarnos en el cribado inicial, para facilitarnos la lectura de patrones sutiles y para traducir a lenguaje operativo una cantidad de datos que hoy se queda sin aprovechar.

Qué revisar en nuestra práctica antes de dar el salto

El reto asistencial ya no es decidir si la IA "viene", sino cómo la incorporamos sin romper lo que funciona. Tres preguntas útiles para el día a día: ¿qué tarea concreta de mi flujo diagnóstico tiene más cuello de botella y menor variabilidad —lectura de mamografías, cribado de nódulos pulmonares en TC de baja dosis, triaje de lesiones dermatológicas— y sería candidata a un primer piloto? ¿qué evidencia revisada por pares avala esa herramienta concreta en mi población, no en una cohorte genérica? Y por último, ¿cómo dejamos por escrito que la última palabra sigue siendo del clínico responsable? Porque el valor que aportamos los facultativos —contextualizar, hablar con el paciente, interpretar el resultado en su biografía concreta y asumir decisiones— no se automatiza, pero sí se amplifica cuando nos apoyamos en herramientas que ya están midiéndose con rigor.