La IA en mamografías detecta más casos y reduce las revisiones

Un sistema experimental de inteligencia artificial aplicado a mamografías elevó la detección de cáncer de mama y redujo parte del trabajo de lectura en un estudio británico. La investigación, desarrollada con Google, el Imperial College de Londres y el Servicio Nacional de Salud del Reino Unido, observó más diagnósticos por cada 1.000 mujeres que con el procedimiento comparado. El resultado no procede de un láser: el análisis se basa en imágenes mamográficas y la IA funciona como apoyo para interpretarlas.

La diferencia importa porque una mejora en la detección no convierte por sí sola una herramienta en una prueba rutinaria ni demuestra que vaya a reducir la mortalidad. El ensayo examinó mamografías de mujeres de entre 50 y 70 años dentro de programas de cribado; sus conclusiones apuntan a un posible uso complementario de la tecnología, no a sustituir a los radiólogos ni a cambiar automáticamente los calendarios de revisión. La evidencia es prometedora, pero todavía experimental.

Qué evaluó el estudio británico

La investigación analizó el rendimiento de un sistema de inteligencia artificial frente a la lectura de especialistas en mamografías de cribado. La muestra inicial reunió estudios de unas 125.000 mujeres de entre 50 y 70 años que participaron en programas del NHS. El análisis final citado en los datos de referencia incluyó 115.973 mamografías vinculadas a diagnósticos de cáncer de mama. El objetivo era medir el rendimiento de la lectura asistida, no probar una tecnología láser ni una prueba de sangre.

En el modelo evaluado, la IA actuó como segundo lector junto con un profesional. La tasa de detección pasó de 7,54 a 9,33 casos por cada 1.000 mujeres. Esa comparación sugiere que el sistema pudo señalar hallazgos que el procedimiento habitual no habría identificado en la primera lectura. Sin embargo, una tasa mayor no explica por sí sola qué tumores se detectaron, en qué fase estaban o qué efecto tendría encontrarlos antes en la evolución de las pacientes. El dato describe detecciones dentro de ese estudio, no una garantía aplicable a cualquier hospital.

También se comunicó que el sistema identificó el 25% de los cánceres de intervalo incluidos en el análisis. Se llama así a los tumores que aparecen después de una mamografía con resultado negativo y antes de la siguiente revisión programada. No significa que la herramienta localice una cuarta parte de todos los cánceres ni que evite todos los diagnósticos tardíos: el porcentaje se refiere a ese grupo concreto de casos evaluados. La distinción entre detectar más y detectar antes es esencial para interpretar el resultado.

Por qué no se trata de un láser

La expresión láser puede aparecer asociada a nuevas tecnologías médicas, pero no describe el sistema analizado en este caso. Una mamografía es una imagen radiológica de la mama, y el modelo estudiado procesa esas imágenes para ayudar a identificar patrones sospechosos. No se trata de un haz que busque directamente células cancerosas dentro del cuerpo ni de un dispositivo que realice un diagnóstico mediante luz. La IA interpreta imágenes obtenidas por el cribado convencional.

La diferencia con otros desarrollos tecnológicos es importante. En la información reunida sobre sistemas de IA aparecen herramientas que analizan tomografías computarizadas para buscar anomalías abdominales, modelos aplicados a mamografías y prototipos experimentales que estudian señales químicas en muestras de sangre. Son líneas de investigación distintas, con muestras, objetivos y niveles de validación propios. Sus porcentajes no se pueden trasladar de una prueba a otra como si midieran lo mismo. El estudio británico se refiere específicamente al cribado mamográfico.

Por eso, el titular sobre un láser que detecta el comienzo del cáncer puede llevar a una idea equivocada sobre el mecanismo. La herramienta no confirma por sí sola que una lesión sea maligna, ni sustituye las pruebas que puedan necesitarse después de una imagen sospechosa. Su función evaluada es apoyar la lectura de mamografías y señalar patrones para que el personal sanitario los valore. Una señal algorítmica no equivale a un diagnóstico definitivo.

Qué significa detectar más casos

En un programa de cribado, las imágenes se revisan para encontrar indicios de enfermedad antes de que aparezcan síntomas. Aumentar la tasa de detección puede significar que se identifican más tumores en esa fase, incluidos algunos difíciles de apreciar en una lectura convencional. Pero también obliga a considerar qué ocurre después: cada hallazgo necesita una valoración clínica y, en algunos casos, pruebas adicionales para determinar si existe cáncer. Más detecciones son un indicador relevante, pero no resumen por sí solas el beneficio clínico.

El estudio también informó de una reducción de falsos positivos, en especial entre las mujeres que se hacían su primera mamografía. Un falso positivo es un resultado que provoca sospecha o una llamada para ampliar la evaluación, aunque después no se confirme cáncer. Reducirlos puede evitar parte de la inquietud y de las pruebas complementarias que finalmente no conducen a un diagnóstico de tumor. Aun así, los datos disponibles no ofrecen aquí una cifra concreta para cuantificar esa disminución. No conviene convertir una mejora descrita en un porcentaje que no se ha proporcionado.

Según la investigación, el sistema también citó a menos pacientes para exploraciones adicionales que el procedimiento convencional. Ese resultado guarda relación con la reducción de falsos positivos, aunque ambos indicadores no son exactamente intercambiables. Una convocatoria para realizar más pruebas puede responder a distintos hallazgos, y su pertinencia depende de la evaluación clínica posterior. La IA podría reducir revisiones innecesarias sin eliminar la necesidad de comprobar los casos dudosos.

Los cánceres de intervalo y los límites del cribado

Los cánceres de intervalo plantean una dificultad particular: la persona tuvo una mamografía negativa y el tumor se diagnostica antes de la siguiente ronda de cribado, a menudo cuando ya han aparecido síntomas. Que el sistema identificara parte de esos casos en las imágenes analizadas indica que algunos signos podrían ser reconocibles retrospectivamente o pasar inadvertidos en la lectura habitual. Ese hallazgo ayuda a explicar el interés de la IA, porque apunta a un posible margen de mejora en la interpretación.

Sin embargo, no todos los tumores se comportan igual ni una imagen negativa permite descartar que pueda desarrollarse una enfermedad después. El resultado comunicado no demuestra que la tecnología vaya a evitar todos los cánceres de intervalo en condiciones reales. Tampoco permite concluir, por sí solo, que cada caso detectado antes tenga el mismo pronóstico o que el cribado pueda reemplazar la atención ante síntomas. El cribado reduce incertidumbres, pero no elimina todos los riesgos.

Esta limitación explica por qué las cifras de detección deben leerse junto con otros resultados. Una herramienta puede encontrar más lesiones y, al mismo tiempo, generar preguntas sobre cuáles requieren seguimiento y qué consecuencias tiene adelantar el diagnóstico. El material disponible destaca más detecciones, menos falsos positivos y menor carga de lectura, pero no proporciona una evaluación completa de resultados a largo plazo ni una demostración de que el sistema reduzca las muertes por cáncer de mama. Ese salto entre rendimiento diagnóstico y beneficio en salud aún debe demostrarse.

Menos carga de lectura, no menos necesidad de especialistas

Uno de los resultados más llamativos fue la reducción del 40% en el volumen de estudios que debían revisar radiólogos humanos, según los datos de la investigación. La idea es que el sistema ayude a priorizar o descartar lecturas repetitivas y permita que los especialistas dediquen más tiempo a casos complejos. En servicios con disponibilidad limitada de personal, liberar parte de esas horas podría aliviar retrasos y reorganizar el trabajo. El ahorro estimado afecta a la lectura de estudios, no a toda la actividad asistencial.

La interpretación clínica incluye más que observar una imagen. Los profesionales integran el resultado con el contexto de la paciente, deciden si hacen falta pruebas adicionales y participan en las etapas posteriores del diagnóstico. Por eso, reducir una parte de las lecturas no equivale a eliminar el trabajo especializado. La propia investigación presenta la herramienta como apoyo, y una de las coautoras defendió que el tiempo liberado podría dedicarse a tareas prácticas como las biopsias con aguja. La automatización desplaza tareas, pero no convierte el diagnóstico en un proceso autónomo.

Tampoco se puede asumir que el ahorro observado en el estudio vaya a reproducirse con idéntica magnitud en cualquier centro. La carga de trabajo depende de cómo se organiza el programa, del volumen de mamografías y de la manera en que se incorpore la herramienta. La cifra del 40% describe el análisis comunicado y no debe presentarse como una reducción garantizada para todos los sistemas sanitarios. La implantación real requiere evaluar cómo encaja la IA en cada flujo de trabajo.

Qué aporta la inteligencia artificial a una mamografía

Las imágenes médicas contienen señales que pueden ser sutiles y difíciles de distinguir, especialmente cuando deben revisarse grandes cantidades de estudios. Un algoritmo entrenado para reconocer patrones puede marcar zonas de interés o ayudar a comparar imágenes con características previamente aprendidas. En el sistema evaluado, esa capacidad se combinó con la lectura de un especialista. La función central es apoyar la búsqueda de señales en la imagen, no comprender por sí sola todo el estado de salud de una persona.

La calidad de una herramienta de este tipo depende de cómo se haya desarrollado y de los datos con los que se haya evaluado. También importa que su rendimiento sea comprobado en el entorno donde vaya a utilizarse, porque un resultado obtenido en una muestra no siempre se reproduce igual en otra población o en otro sistema sanitario. La investigación con mujeres de 50 a 70 años aporta evidencia sobre ese grupo y ese contexto, pero no responde automáticamente a todas las edades ni a todos los modelos de atención. La población estudiada delimita el alcance de las conclusiones.

La IA tampoco elimina la posibilidad de error. Puede pasar por alto señales o destacar hallazgos que finalmente no corresponden a un tumor, como ocurre con cualquier método de detección. La lectura humana continúa siendo importante para valorar las alertas y decidir qué pasos clínicos tienen sentido. El interés de la combinación está en que dos formas de análisis puedan complementarse, no en suponer que una de ellas es infalible. El sistema debe medirse por su desempeño conjunto con los profesionales.

Un contexto de preocupación por el cáncer de mama

El cáncer de mama es uno de los tumores más frecuentes entre las mujeres en España. La Sociedad Española de Oncología Médica estima que una de cada ocho mujeres lo padecerá a lo largo de su vida y prevé 38.318 diagnósticos en el país durante 2026. Esas cifras ayudan a entender por qué cualquier mejora en la detección temprana genera interés, aunque no describen el rendimiento del modelo británico ni deben confundirse con los resultados de aquel estudio. La frecuencia de la enfermedad y la eficacia de una tecnología son cuestiones relacionadas, pero distintas.

La referencia también señala que alrededor del 10% de los casos se detecta en menores de 40 años, pese a que tradicionalmente el cribado se ha dirigido sobre todo a mujeres mayores de 50. Ese dato alimenta el debate sobre la edad de inicio de las revisiones, pero la investigación de Google se centró en mujeres de 50 a 70 años. Por tanto, no prueba que la IA sea adecuada para adelantar el cribado a los 40 ni establece un calendario para España. El estudio no resuelve el debate sobre la edad de las revisiones.

Los programas de cribado se diseñan según criterios sanitarios y pueden variar entre países. La experiencia del NHS no se traslada automáticamente al sistema español, donde las decisiones sobre población objetivo, periodicidad y organización corresponden a las autoridades sanitarias. Además, una herramienta que mejora la lectura de imágenes no determina por sí misma quién debe hacerse una mamografía ni con qué frecuencia. La tecnología y la política de cribado responden a preguntas diferentes.

Por qué la IA no cambia todavía las recomendaciones

Un estudio favorable puede justificar nuevas evaluaciones, pero no basta para convertir un sistema experimental en una prestación habitual. Antes de incorporarlo de forma amplia, los servicios sanitarios necesitan conocer cómo funciona en la práctica, qué errores puede cometer y qué recursos requiere. En los datos disponibles se describen mejoras en detección y carga de trabajo, pero no se detallan aquí todos los elementos necesarios para juzgar su coste, su implantación o sus efectos clínicos sostenidos. La promesa tecnológica debe pasar por una evaluación más amplia.

También es necesario distinguir entre resultados de investigación y recomendaciones oficiales. Que un algoritmo haya sido estudiado en un programa nacional no significa que todas las pacientes de ese país ya reciban la prueba asistida, ni que la misma herramienta esté disponible en España. El artículo de referencia la describe como un sistema experimental. Su estatus no debe confundirse con una tecnología ya integrada de manera general en el cribado.

La prudencia no resta valor a los hallazgos. Permite situarlos donde corresponden: como evidencia de que la IA puede mejorar ciertos indicadores cuando trabaja junto a radiólogos, y como base para comprobar si esas ventajas persisten en otros entornos. La pregunta relevante no es solo cuántos casos marca el sistema, sino si esa detección se traduce en una atención más eficaz sin aumentar pruebas innecesarias ni trasladar riesgos a otros puntos del proceso. La utilidad final depende del equilibrio entre beneficios, errores y consecuencias.

Una herramienta prometedora que debe demostrar su utilidad

El estudio británico ofrece una imagen más concreta de lo que puede hacer la inteligencia artificial en mamografías: elevar la detección de 7,54 a 9,33 casos por cada 1.000 mujeres, identificar parte de los cánceres de intervalo y reducir tanto algunos falsos positivos como el volumen de lectura humana. Son resultados relevantes para una tecnología que se plantea como apoyo en programas con mucha carga de trabajo. No describen un láser ni un diagnóstico automático, sino una herramienta de análisis de imágenes.

El siguiente desafío es comprobar que las mejoras no se limitan a una muestra de investigación y que se mantienen cuando el sistema se integra en la atención cotidiana. También habrá que valorar cómo se distribuyen los beneficios, qué pacientes quedan representadas por los datos y qué impacto tiene la herramienta en las decisiones posteriores. La detección temprana sigue dependiendo de un proceso clínico completo, en el que la tecnología puede ayudar a ver más, pero la interpretación, la confirmación y la atención continúan en manos de profesionales.