Ocho de cada diez aceptan el cálculo por IA
Una encuesta a 319 pacientes publicada el 8 de agosto en la revista Clinical Imaging arrojó un resultado que contradice la expectativa de resistencia: el 80,5% de las mujeres se declaró cómoda con la evaluación de riesgo de cáncer de mama realizada por inteligencia artificial, frente a solo el 31,0% que prefería la estimación basada en antecedentes personales y familiares. La investigación fue liderada por Liliana Light, estudiante de medicina de la Howard University, en Washington, D.C. El dato importa porque la barrera para adoptar estos modelos suele atribuirse a la desconfianza de las pacientes, y la desconfianza, aquí, no apareció.
Cómo se hizo la encuesta
Se recogieron 319 cuestionarios respondidos por pacientes en cuatro centros médicos, distribuidos entre consultorios de radiología, ginecología y clínica médica. Esa distribución por tipo de consultorio no es un detalle administrativo: produce el hallazgo más aplicable del estudio, como se verá, porque las preferencias cambiaron según el lugar donde se abordó a la paciente.
El diseño es transversal y declarativo: mide comodidad e intención declaradas, no conducta observada. Conviene registrar la distancia entre ambas. Decirle a un investigador que aceptaría una estimación algorítmica de riesgo es distinto de recibir un puntaje que indica riesgo elevado y decidir, con la agenda llena y un copago por pagar, realizar una resonancia complementaria. Aun así, medir la aceptación declarada tiene valor práctico inmediato: es el número que los servicios usan para decidir si vale la pena implantar el flujo.
Quién quiere la paciente que entregue el resultado
La parte más útil del estudio es sobre comunicación, no sobre tecnología. Las preferencias respecto de quién debe informar el riesgo variaron según el consultorio de reclutamiento: entre las mujeres abordadas en consultorios de ginecología y radiología, el 82,5% prefería recibir el resultado de su ginecólogo y el 57,3% de su radiólogo. Entre las reclutadas en clínica médica, la mayoría (63,3%) prefería a su propio médico de atención primaria.
La lectura es directa y algo incómoda para la radiología: la paciente quiere oír el resultado de alguien que ya conoce. No es un rechazo al radiólogo, es preferencia por el vínculo. Eso tiene consecuencia operativa inmediata, porque el puntaje de riesgo se genera dentro del servicio de imagen, a partir de la mamografía, mientras la conversación que le da sentido debe ocurrir en otro consultorio, con otro profesional, que muchas veces no sabe cómo se calculó el número.
Toda implantación seria de riesgo por IA carga entonces con un componente de comunicación entre médicos que los presupuestos de proyecto tienden a subestimar. Sin un canal para explicar al ginecólogo y al clínico qué significa ese puntaje, el resultado previsible es un número circulando en la historia clínica sin generar conducta, o generando una conducta desproporcionada.
Qué hacen ellas ante un riesgo elevado
Entre las mujeres identificadas con riesgo aumentado, el 90,3% manifestó interés en realizar estudios de cribado adicionales. El interés en pruebas genéticas también se diferenció por estrato de riesgo: 72% entre las de riesgo aumentado, frente al 50% entre las que no lo tenían.
Un 90% de adhesión declarada a cribado suplementario es una cifra que exige planificación de capacidad antes de la implantación. Si un servicio comienza a calcular riesgo por IA en toda la población que se hace mamografía, y una fracción de esa población queda clasificada como de riesgo alto, y nueve de cada diez de esas mujeres quieren un estudio adicional, la demanda de resonancia mamaria y ecografía dirigida crece de forma previsible. Otra vez, el cuello de botella no es la aceptación: es la agenda.
El interés en pruebas genéticas entre la mitad de las mujeres sin riesgo aumentado también merece atención. Señala una demanda de información que puede exceder la indicación clínica, con implicaciones de costo, asesoramiento genético y ansiedad. Ningún servicio debería encender un modelo de riesgo sin definir antes qué hará con quien quiere más de lo que la evidencia recomienda.
Contexto técnico: qué es el riesgo mamario por IA
Vale distinguir las generaciones de herramienta, porque la diferencia explica el interés actual. Los modelos clásicos como Gail y Tyrer-Cuzick estiman riesgo a partir de variables clínicas: edad, menarca, paridad, antecedentes familiares, biopsias previas, a veces densidad mamaria categorizada. Son modelos de cuestionario: su desempeño depende de la calidad de la anamnesis y notoriamente subestiman el riesgo en poblaciones subrepresentadas en las cohortes de derivación.
Los modelos basados en imagen funcionan de otro modo. Una red neuronal convolucional procesa directamente los píxeles de la mamografía y aprende patrones de textura, distribución de densidad y arquitectura del parénquima asociados al diagnóstico futuro de cáncer, incluidos patrones que no corresponden a ninguna categoría descriptiva que usen los radiólogos. La ganancia es que la estimación no depende de que la paciente conozca la historia de salud de sus tías y abuelas, algo especialmente relevante en poblaciones con registro familiar incompleto.
El contrapunto honesto es que estos modelos heredan el sesgo de sus bases de entrenamiento. Un algoritmo derivado mayoritariamente de mujeres blancas de un sistema de salud específico no tiene calibración garantizada en otra población, y la calibración, no la discriminación, es lo que importa cuando el número decidirá si alguien hace resonancia anual. Que la encuesta haya surgido de una universidad históricamente afroamericana, con población diversa, vuelve el hallazgo de aceptación aún más interesante: alta aceptación en un grupo con motivos históricos para desconfiar.
Implicaciones prácticas para el servicio de imagen
Se dibujan tres consecuencias para quien piensa en implantar. Primera: definir la vía de comunicación antes del software. Como la paciente prefiere oír el resultado del ginecólogo o del clínico, el informe debe entregar el puntaje de forma interpretable por quien no es radiólogo, con franja de riesgo, comparación con el promedio poblacional y conducta sugerida, no solo un número suelto.
Segunda: dimensionar la demanda inducida. Conviene simular cuántas resonancias y ecografías adicionales generaría el modelo aplicado a la población real del servicio y comparar con la capacidad instalada. Ese cálculo previo evita la situación clásica de identificar riesgo y no poder ofrecer el estudio que la identificación recomienda.
Tercera: alinear la expectativa de beneficio. Vale recordar lo ocurrido con la IA de detección: una encuesta reciente mostró que la IA en mamografía entregó menos de lo que esperaban los radiólogos en retorno, biopsia y burnout. Los modelos de riesgo son una promesa distinta y mejor posicionada —estratificar a quien necesita más, en lugar de releer lo ya leído—, pero merecen el mismo escepticismo metodológico en la evaluación.
Límites y próximos pasos
Las limitaciones son las habituales de una encuesta: muestra de conveniencia en cuatro centros, sesgo de autoselección entre quienes aceptan responder y el hecho de que la comodidad declarada no predice la adhesión real. Tampoco se midió el efecto de la alfabetización en salud ni se probó cómo influye la formulación de la pregunta: preguntar si alguien «se sentiría cómoda» con la IA tiende a producir tasas más altas que preguntar si «confiaría más en la IA que en su médico».
La agenda de investigación que se desprende es clara: medir adhesión observada y no declarada; evaluar la calibración de los modelos de riesgo en poblaciones diversas; y probar formatos de comunicación de riesgo que funcionen para el médico no radiólogo. Lo que este estudio establece, y es útil, es que la pregunta «¿la paciente lo aceptará?» puede salir de la lista de obstáculos. Lo acepta. Falta que el sistema de salud esté listo para lo que pedirá después, una pregunta tan abierta como la de qué modalidad complementaria realmente aporta en el cribado o cómo incorporar herramientas recién autorizadas como la IA de DeepHealth para ecografía mamaria.
Fuente: AuntMinnie
