La inteligencia artificial como motor de precisión en el diagnóstico clínico

Dos lecturas recientes —el testimonio del radiólogo Guillermo Rodríguez Nielsen, recogido por Canal 12 Web, y una revisión narrativa publicada en Cell Reports Medicine— nos han puesto esta semana frente a la misma evidencia: el diagnóstico médico se está convirtiendo en la frontera donde la inteligencia artificial deja de ser promesa de feria tecnológica para integrarse, por fin, en el flujo de trabajo cotidiano. Para nosotros los clínicos, lo relevante es que ambas convergen en un mensaje poco habitual: el algoritmo ya está dentro del resonador, y lo que decide sigue siendo nuestro criterio.

El consultorio, antes y después del resonador "inteligente"

Lo cuenta Rodríguez Nielsen desde los centros Imágenes y San Jorge de Puerto Madryn, donde la incorporación de tomógrafos y resonadores con capacidad de cómputo ha cambiado el circuito completo, desde la toma de la muestra hasta el análisis posterior. La tecnología no se limita a evaluar la imagen; actúa en el procesamiento técnico y en la elaboración de pre-informes, señalando qué hallazgos están dentro de parámetros normales y cuáles merecen una segunda mirada del equipo médico. En la práctica diaria, eso significa dos cosas que cualquier compañero de radiología reconoce al instante: resonancias más cortas —el especialista habla de hasta un 75% menos de tiempo de exploración— y una priorización automática de los casos graves dentro de las listas de trabajo, algo especialmente valioso en urgencias.

Pero la diferencia más fina, la que de verdad modifica el reto asistencial, es la capacidad de la herramienta para detectar patrones imperceptibles al ojo humano: lesiones pequeñas en un tumor, signos sutiles de un evento cardiovascular agudo, hallazgos que sin esta capa de procesamiento se nos escaparían o llegarían tarde. Ahí es donde la IA, en mi opinión, no compite con el clínico sino que le devuelve visibilidad sobre lo importante.

Integrar antes de pedir más

En paralelo, la revisión coordinada por la oncóloga médica Arsela Prelaj, responsable del AI-ON-Lab en la Fondazione IRCCS Istituto Nazionale dei Tumori de Milán, plantea el reto desde el otro lado del mostrador: el de los datos. Su propuesta, bautizada como "Leave No Data Behind", consiste en reunir bajo un mismo modelo las historias clínicas, las imágenes radiológicas, la patología digital y los perfiles moleculares, en lugar de tratarlos como compartimentos estancos. La oncología, resume Prelaj, "genera volúmenes enormes de datos heterogéneos —historiales, imagen, patología, molecular— pero buena parte sigue fragmentada o infrautilizada", y por eso el artículo defiende que los modelos generalistas pueden aprovechar mucho más esa información que los sistemas clásicos entrenados para una sola tarea.

El matiz que a menudo olvidamos, y que la propia revisión se encarga de subrayar, es que procesar más datos no equivale a producir resultados clínicamente útiles. La evidencia resulta más madura para diagnóstico y flujos de trabajo que para pronóstico, selección terapéutica o predicción de respuesta. Y, contra la intuición, "más grande" no siempre significa "mejor": la composición, la diversidad y la representatividad del conjunto de entrenamiento pesan más que el tamaño bruto del modelo.

Qué nos toca revisar en nuestra práctica

Juntando ambas lecturas, el mensaje para nuestra práctica queda en tres puntos. Primero, que la IA ya no es un proyecto piloto: en muchos centros está dentro del resonador, no en una presentación en PDF. Segundo, que el cuello de botella real no es tanto la capacidad de cómputo como la calidad y la integración de los datos que le entregamos; por eso la pregunta que plantea iProUP —si los datos de la región están listos para la IA— no es retórica: condiciona desde la coherencia de los informes que redactamos a diario hasta el rendimiento real de cualquier modelo que decidamos desplegar. Tercero, que el valor añadido del especialista —interpretar lo que el algoritmo señala, contrastarlo con la historia del paciente, asumir la responsabilidad del diagnóstico— no se automatiza. Como recuerda Rodríguez Nielsen: "La inteligencia artificial se basa en algoritmos y en esquemas prefijados; hay una cosa que la inteligencia no puede hacer, y es razonar. El razonamiento sigue siendo del ser humano".

Ahí, en esa frontera entre el patrón detectado y la decisión razonada, es donde nosotros los clínicos seguimos siendo insustituibles.