Contexto y desafío actual
La mamografía ha sido la herramienta principal para detectar el cáncer de mama en fases tempranas, ayudando a reducir significativamente la mortalidad desde su implementación sistematizada en los años 80. Aun así, las mamografías pueden fallar en detectar hasta un 20 % de los cánceres, especialmente en mujeres con tejido mamario denso. Además, la doble lectura radiológica exige mucho tiempo y recursos.
¿Qué aporta la IA?
Mayor tasa de detección
Estudios clínicos han demostrado que la IA puede detectar hasta un 29 % más de casos de cáncer de mama sin aumentar los falsos positivos. En Suecia, el ensayo MASAI mostró que la IA identifica más cánceres invasivos en fases tempranas, incluso los más agresivos.
Reducción de carga laboral
La IA disminuye la necesidad de una segunda lectura radiológica en casi un 44 %, lo que permite que los profesionales se concentren en los casos más complejos y reduce el tiempo de respuesta diagnóstica.
Mejora en precisión diagnóstica
Se ha observado que la IA mejora la tasa de detección por cada mil estudios y aumenta el valor predictivo positivo sin elevar las tasas de falsos positivos.
Aplicaciones complementarias en la práctica clínica
Radiomics y diagnóstico personalizado
La IA aplicada al radiomics permite extraer información detallada de las imágenes médicas, lo que ayuda a predecir la agresividad del tumor y personalizar el tratamiento.
IA predictiva de riesgo
Herramientas aprobadas como Clairity Breast pueden calcular el riesgo de cáncer a cinco años usando una mamografía reciente, ayudando a los médicos a definir rutas de prevención más eficientes.
Otras modalidades de imagen
La IA también se está aplicando a la ecografía mamaria automatizada y a la resonancia magnética, ofreciendo soluciones diagnósticas para mamas densas o casos dudosos.
Explicabilidad como valor agregado
Cada vez más se están desarrollando modelos de IA explicables (XAI) que permiten a los profesionales comprender por qué se llegó a una conclusión, aumentando la confianza en el sistema.
Buenas prácticas de implementación
IA como apoyo, no reemplazo
La IA debe verse como una herramienta complementaria, no como un sustituto del juicio clínico. Su función es asistir, agilizar y aumentar la precisión, pero siempre bajo supervisión humana.
Validación clínica y contextual
Los modelos de IA deben ser validados en el contexto real donde se usarán, considerando las particularidades del entorno, población y tecnología disponible.
Entrenamiento representativo
Es importante entrenar los modelos con datos diversos para evitar sesgos, asegurando resultados equitativos para todas las pacientes, independientemente de su origen étnico o edad.
Beneficios y retos a futuro
Beneficios:
- Aumento en detección temprana, lo que mejora la supervivencia
- Mayor eficiencia del sistema de salud
- Diagnóstico más equitativo en zonas con pocos especialistas
Retos:
- Necesidad de regulaciones y estándares
- Riesgo de dependencia excesiva sin supervisión
- Importancia de la explicabilidad para garantizar la aceptación clínica
