El papel de la IA en la detección del cáncer de mama: entre la promesa y la evidencia clínica

La información disponible no permite conocer qué rendimiento obtuvo el sistema ni si la herramienta ha demostrado mejorar el diagnóstico o la evolución de las pacientes. Para nosotros, los clínicos, esta cautela no es un matiz editorial: marca la diferencia entre una ayuda para interpretar imágenes y una tecnología preparada para cambiar el circuito asistencial.

La señal de la imagen no equivale todavía a un diagnóstico

En la práctica diaria, una mamografía puede contener información que no se traduce de forma inmediata en una decisión clínica. La promesa de estos sistemas consiste en analizar la imagen con algoritmos capaces de señalar patrones que podrían pasar inadvertidos durante la lectura convencional. Sin embargo, que una herramienta encuentre una señal adicional no significa, por sí solo, que permita detectar más tumores relevantes, reducir falsos negativos o mejorar los resultados de las pacientes.

El propio titular difundido por Medical Xpress sitúa el hallazgo en ese terreno intermedio: la IA podría ayudar, pero su utilidad clínica permanece incierta. Como no se incluyen en el material disponible los datos completos del estudio sobre cáncer de mama, no es posible valorar su sensibilidad, su especificidad, el número de lesiones identificadas ni el impacto sobre las decisiones del equipo de radiología.

Por eso conviene traducir la noticia a una pregunta más útil para el reto asistencial: ¿qué aporta el algoritmo además de la lectura experta y cómo se incorpora esa señal a la decisión final? Mientras esas respuestas no estén documentadas, no deberíamos presentar la IA como un sustituto de la interpretación radiológica ni como una garantía frente a los casos que una mamografía no identifica.

Un mismo examen puede contener otras señales clínicas

El ASCO Post ha difundido un trabajo diferente, también centrado en aplicar IA a mamografías, para explorar si las imágenes pueden ayudar a detectar enfermedades cardiovasculares frecuentes. El estudio fue retrospectivo e incluyó a 29.921 mujeres que se habían realizado al menos una mamografía entre 2011 y 2025 en un centro terciario de referencia.

Los investigadores desarrollaron un algoritmo basado en aprendizaje profundo para identificar hipertensión, cardiopatía isquémica y accidente cerebrovascular, utilizando como referencia diagnósticos procedentes de historias clínicas electrónicas, además de recetas, procedimientos, pruebas de imagen y mediciones hospitalarias. En el grupo analizado, el 18 % de las mujeres tenía cáncer de mama y el seguimiento medio fue de 7,3 años.

El modelo alcanzó un área bajo la curva de 0,79 para hipertensión, 0,78 para cardiopatía isquémica y 0,86 para accidente cerebrovascular. En determinados análisis, el rendimiento mejoró al utilizar las proyecciones mediolaterales oblicuas, con valores de 0,80 para hipertensión y cardiopatía isquémica, y de 0,88 para accidente cerebrovascular.

Este segundo trabajo no demuestra que la misma herramienta detecte cánceres de mama omitidos, pero sí ilustra una línea de investigación relevante para la transformación digital asistencial: aprovechar una prueba que ya forma parte del circuito para extraer información adicional, sin pedir necesariamente una exploración nueva. La cuestión es que esa información suplementaria debe interpretarse con un flujo clínico claro, responsables definidos y mecanismos para confirmar los hallazgos.

Qué debemos comprobar antes de incorporarla

Para valorar una tecnología de este tipo en nuestra práctica, el primer paso es separar tres niveles que a menudo se mezclan en la comunicación sobre IA:

• Capacidad técnica: si el algoritmo reconoce determinados patrones en las imágenes.
• Utilidad diagnóstica: si esa señal mejora la identificación de una enfermedad frente al proceso habitual.
• Beneficio clínico: si su uso cambia decisiones de forma adecuada y mejora la atención a las pacientes.

La noticia disponible apunta al primer nivel y deja abierto el tercero. Antes de integrar una herramienta en el circuito de mamografía, necesitamos conocer cómo se comporta en la población concreta atendida, cuántos falsos positivos y falsos negativos genera y qué protocolo seguirá el equipo cuando el resultado de la IA no coincida con la lectura radiológica. También será esencial saber si la salida del sistema facilita la conversación clínica o añade una capa de incertidumbre difícil de gestionar.

El siguiente paso anunciado para la investigación cardiovascular es mejorar la precisión y reducir los falsos positivos y negativos, además de explorar otras enfermedades que podrían detectarse en las mamografías. Esa dirección resulta interesante, pero no elimina la necesidad de validación. En nuestra práctica, la IA puede acompañar, priorizar y traducir señales complejas; la responsabilidad de interpretarlas y convertirlas en una decisión asistencial sigue requiriendo contexto clínico.