Inteligencia artificial en mamografías: cómo mejorar la detección precoz del cáncer

Según informó La Capital, el Grupo Gamma acaba de anunciar la incorporación de Transpara Breast AI, una solución desarrollada por ScreenPoint Medical que se suma como segunda lectura sistemática al proceso de diagnóstico mamario, sin reemplazar el criterio del especialista en diagnóstico por imágenes ni del mastólogo responsable del informe final. En la práctica diaria, este tipo de apoyo llega justo al punto donde más nos cuesta avanzar: cuando la mama densa o los cánceres de intervalo se escapan a la lectura convencional, y contar con un control adicional y estandarizado sobre cada estudio puede traducirse, literalmente, en lesiones detectadas a tiempo.

Una segunda mirada donde la lectura convencional flaquea

Si hay algo que hemos comentado mil veces en la sala de lectura es que la mamografía no falla tanto por desconocimiento como por lo que la propia imagen no deja ver: el tejido denso, que estadísticamente dificulta la identificación de lesiones, y los hallazgos que aparecen entre un control y el siguiente, los cánceres de intervalo, suelen ser los más difíciles de anticipar. Transpara Breast AI está entrenada, según la información recogida por La Capital, para reforzar la lectura precisamente en estos dos escenarios, y el control se aplica sobre el 100 % de los estudios, tanto 2D como 3D, y no solo sobre los casos que generan dudas. Esto, trasladado a nuestra rutina, significa una capa extra de revisión en cada mamografía sin tener que preseleccionar quién la necesita. Las mismas fuentes citan que investigaciones recientes sugieren que el sistema podría haber facilitado la detección temprana del 38 % de los cánceres de intervalo, especialmente de aquellos omitidos o subestimados por los radiólogos, una cifra que, sin ser definitiva, apunta al tipo de ayuda que llevamos años echando en falta en el flujo de cribado.

Lo que aporta el estudio MASAI al debate clínico

Más allá del despliegue en un centro concreto, lo que sostiene la conversación es la evidencia publicada. El estudio MASAI, difundido por La Capital y publicado en The Lancet Digital Health, incluyó a más de 105.000 mujeres y es, según ese medio, el primer ensayo clínico aleatorizado a gran escala que evalúa una solución de inteligencia artificial para el diagnóstico de cáncer de mama. Sus resultados son los que han cambiado el tono del debate: el flujo de trabajo asistido por Transpara aumentó la detección de cáncer en un 29 % y redujo la carga de lectura para los radiólogos en un 44 %. Para quienes llevamos años peleándonos con listas de trabajo y dobles lecturas, esa cifra de carga es tan relevante como la de detección, porque habla de cómo reorganizar el tiempo clínico sin perder sensibilidad diagnóstica. La herramienta cuenta, además, con más de 55 estudios clínicos publicados, certificaciones internacionales y presencia en más de 40 países, lo que la sitúa entre las opciones de IA mamaria con mayor recorrido fuera del entorno experimental.

Qué implica esto en nuestra consulta

Aquí es donde, como clínicos, conviene pisar con prudencia antes de dar el salto. La experiencia del Grupo Gamma y los datos del MASAI nos hablan de un asistente, no de un sustituto: el software se posiciona como respaldo del criterio del especialista y, como recordaba una especialista consultada por diariocronica.com.ar, el diagnóstico final y el tratamiento deben seguir validándose exclusivamente por un profesional de la salud. En nuestra consulta eso se traduce en tres preguntas que merece la pena revisar antes de incorporar cualquier sistema de este tipo: qué evidencia local avala su rendimiento en nuestra población, cómo se integra el resultado en el informe radiológico sin fragmentar la responsabilidad, y qué mecanismos de auditoría humana existen cuando el sistema y el clínico discrepan. Tampoco conviene perder de vista el marco regulatorio: la misma experta, según recoge ese medio, comparó la supervisión de la IA con los estándares exigidos en la aviación o la industria farmacéutica, y reclamó transparencia sobre los límites del sistema y sobre quién responde ante un error. Para nosotros, eso significa preguntar antes de instalar: qué pasa si la IA marca algo que el radiólogo no ve, qué ocurre si lo descarta, y cómo queda recogido en el informe final.