Más allá del 93% de precisión: el papel real de la IA en el diagnóstico oncológico

El dato, presentado como parte de una reflexión sobre la evolución de la IA diagnóstica, resulta relevante para nuestra práctica porque obliga a separar dos cuestiones que a menudo se mezclan: el rendimiento de una herramienta en una tarea concreta y su capacidad para acompañar todo el proceso clínico.

La conversación no gira únicamente en torno a si una máquina puede alcanzar una determinada tasa de acierto. Para nosotros, los clínicos, el reto asistencial consiste en saber qué se ha medido, en qué contexto y cómo se integra ese resultado con la historia del paciente, la exploración y la decisión compartida.

Una cifra llamativa no equivale todavía a inteligencia general

El material de Nasscom plantea la precisión del 93% como una señal de hacia dónde podría avanzar el diagnóstico asistido por IA. Sin embargo, el propio enfoque distingue entre los sistemas actuales, diseñados para tareas específicas, y una hipotética inteligencia artificial general capaz de razonar de forma amplia en distintos dominios diagnósticos.

Esa distinción es esencial. Un porcentaje de exactitud puede describir el comportamiento de un modelo en una tarea delimitada, pero no informa por sí solo de su utilidad en la consulta diaria. Tampoco permite concluir que el sistema pueda interpretar todas las variables clínicas, reconocer situaciones atípicas o sustituir el criterio del equipo asistencial.

En la práctica diaria, debemos traducir la cifra a preguntas más concretas: qué tipo de cáncer se evaluó, con qué datos se entrenó el sistema, en qué población se probó y cómo se comporta cuando la información está incompleta o presenta hallazgos contradictorios. Esas respuestas no aparecen detalladas en el material disponible, por lo que no conviene presentar el 93% como una medida universal del diagnóstico oncológico.

El contexto de investigación se amplía

La noticia coincide con otras referencias incluidas en el mismo conjunto de fuentes. Frontiers recoge una revisión narrativa estructurada sobre aprendizaje profundo multimodal aplicado al cáncer endometrial y a la oncología ginecológica de precisión. Nature, por su parte, presenta un marco de evaluación en cinco fases para la inteligencia artificial médica diagnóstica y predictiva.

Ambos títulos apuntan a una evolución importante: el interés ya no se limita a demostrar que un algoritmo identifica una imagen o clasifica un hallazgo, sino que se centra también en cómo evaluar estas herramientas de forma ordenada antes de incorporarlas al flujo asistencial. Para el facultativo, esto desplaza el foco desde la promesa tecnológica hacia la validación, la interpretación y la trazabilidad.

También aparece una referencia de la Universidad de Guadalajara sobre el uso de IA en diagnóstico, tratamiento y seguimiento materno-fetal y pediátrico. El texto menciona aplicaciones en ecografía obstétrica, predicción de factores de riesgo y detección temprana de determinadas afecciones, aunque la información disponible no permite extrapolar esos resultados a otros entornos sanitarios ni establecer comparaciones generales.

Qué deberíamos comprobar antes de incorporarla

Ante anuncios de precisión elevada, nuestro primer paso no debería ser preguntar si la IA reemplazará a un especialista, sino qué lugar puede ocupar para facilitar su trabajo. Conviene revisar:

• si la evaluación procede de una publicación clínica o de una comunicación divulgativa;
• si el modelo se ha probado en una población comparable a la atendida;
• qué tarea concreta mide el porcentaje de precisión;
• cómo se documentan los errores y los casos no concluyentes;
• quién interpreta el resultado y cómo queda registrado en la historia clínica.

El titular sobre el 93% es, por tanto, una señal de expectativa, no una autorización para automatizar decisiones oncológicas. La inteligencia artificial puede acompañar, ordenar y traducir grandes volúmenes de información, pero el valor clínico depende de que sepamos evaluar sus límites. El siguiente paso no será perseguir la cifra más alta, sino construir procesos en los que el modelo sea verificable, el profesional conserve el criterio y el paciente no quede reducido a una predicción.