La IA en radiología en el mundo real acortó el tiempo de informe donde el volumen es alto, pero chocó con un cuello de botella que nada tiene que ver con el algoritmo: la red. Un estudio observacional publicado en el Journal of the American College of Radiology (JACR) siguió durante 4,5 años a la red suiza 3R Swiss Imaging Network, con 20 centros ambulatorios y 10 herramientas de IA de siete proveedores, y concluyó que la disponibilidad de IA se asoció a informes un 26% más rápidos en la radiografía de trauma y un 18% más rápidos en la RM de rodilla. En el 7,2% de los estudios, sin embargo, el resultado de la IA llegó cuando el informe ya estaba firmado.
Qué midió el estudio y cómo
El trabajo, firmado por Sergey Morozov, Benoît Rizk y colegas, describe un programa de implantación multiproveedor operado con la plataforma de orquestación de la francesa Incepto Medical. Según The Imaging Wire, unos 389.000 estudios asistidos por IA pasaron por el programa entre 2021 y 2025. Para el análisis, los autores construyeron tres cohortes retrospectivas, cada una con una pregunta distinta.
La cohorte técnica reunió 96.874 estudios entre septiembre de 2023 y septiembre de 2025 y midió la latencia de PACS a PACS: cuánto tarda un estudio en salir del archivo, ser procesado por el algoritmo y volver como resultado, y si ese resultado llega a tiempo para verse durante la lectura. La cohorte de tiempo de informe (TAT, turnaround time) incluyó 20.909 estudios de marzo a agosto de 2025 y comparó flujos con IA disponible frente a flujos concurrentes sin IA, con la prueba U de Mann-Whitney y luego con modelos lineales de efectos mixtos ajustados por radiólogo. La tercera cohorte fue una encuesta a 58 radiólogos en dos olas durante 2025, con escalas Likert y Net Promoter Score (NPS).
Las cifras principales
Tras el ajuste por radiólogo, la IA se asoció a un TAT mediano 26% menor en la radiografía de trauma y 18% menor en la RM de rodilla, ambos con p<0,001. La volumetría cerebral por RM no mostró cambio significativo (+9,2%; p=0,33). En capacidad, el programa generó el equivalente a 0,69 radiólogos a tiempo completo (FTE) solo en la radiografía de trauma, cifra que baja a 0,46 FTE en el análisis de sensibilidad ajustado por radiólogo. Los autores sitúan el costo anual del programa en torno al 23% a 25% del salario de un radiólogo FTE.
La adopción fue alta: el 91,4% de los radiólogos (53 de 58) declaró uso activo, y el 66% de ellos usaba las herramientas con regularidad. La percepción, en cambio, se movió poco entre olas. Según The Imaging Wire, la única diferencia fue una mejora modesta en la sensación de productividad, de 2,57 a 2,94 en una escala de cinco puntos. En un análisis exploratorio, el NPS cayó para la TC de tórax (de +38 a −3) y la TC de aorta (de +22 a −25), resultado nominalmente significativo solo antes de corregir por comparaciones múltiples.
Latencia: el cuello de botella es el enrutamiento, no el algoritmo
Para quien planifica infraestructura, el hallazgo más útil es la descomposición de la latencia. La mediana total fue de 2,06 minutos por estudio (rango intercuartílico de 1,74 a 3,05), y el 72% de ese tiempo se fue en el enrutamiento de datos, es decir, recuperar el estudio del PACS, enviarlo al servicio de IA y devolver el resultado, y no en la inferencia en sí. La tasa de resultados «demasiado tarde» fue del 7,2% en conjunto, del 3,0% en la RM de rodilla al 13,2% en la TC de tórax, con un 6,8% en la radiografía de trauma.
Como contexto técnico general (no detallado en el resumen del artículo): en una arquitectura típica, el PACS o la modalidad envía el estudio por DICOM a un orquestador, que lo distribuye al algoritmo adecuado, local o en la nube, y recibe objetos como DICOM SR, capturas secundarias o anotaciones que luego deben reindexarse en el PACS y vincularse a la lista de trabajo. Cada salto añade cola, transferencia y conciliación. La conclusión de los autores, que la latencia de la infraestructura y no la velocidad del algoritmo fue la principal barrera para la utilidad clínica, desplaza la discusión de la precisión a la ingeniería de integración. Es el mismo tipo de costo oculto que tratamos al mostrar que la estación PACS consume energía aunque nadie informe: el rendimiento real depende de todo el ecosistema.
También hay una lectura clínica. La TC de tórax, con la mayor tasa de retraso, es precisamente donde más cayó el NPS. El estudio no establece causalidad, pero es plausible que un resultado que llega después de la firma se perciba como ruido, o incluso como trabajo extra si obliga a reabrir un estudio ya informado.
Conflictos de interés y límites del diseño
El artículo declara conflictos relevantes que deben formar parte de la lectura. Guerbet hizo una donación de investigación e Incepto cedió sin costo su software Keros; la red 3R cobra regalías por el producto Keros de RM de rodilla que distribuye Incepto. El hallazgo principal involucra a Gleamer BoneView, usado en la radiografía de trauma, y un coautor tiene participación accionaria en Gleamer. Para mitigar el sesgo, la extracción de datos y el análisis estadístico los realizaron tres autores sin relación financiera con esa empresa.
El diseño es observacional y retrospectivo, sin aleatorización: comparar flujos con y sin IA en el mismo periodo reduce, pero no elimina, diferencias de casuística, turno o perfil de estudio. La ventana de TAT es de seis meses y la encuesta abarcó a 58 profesionales de una sola red ambulatoria suiza. Además, una mejora en TAT no equivale a una mejora en desenlaces clínicos, que el estudio no midió.
Qué significa para servicios en América Latina
Para redes ambulatorias con muchas sedes, telerradiología y enlaces de internet de calidad desigual, la lección es directa: antes de comparar proveedores por la sensibilidad del algoritmo, conviene medir cuánto tarda un estudio desde la modalidad hasta que el resultado vuelve a la estación de informe, sede por sede. Si la red ya sufre colas de envío al PACS central, un algoritmo excelente puede simplemente llegar tarde. Un indicador como la tasa de «demasiado tarde» por modalidad se calcula fácilmente cruzando la hora de llegada del resultado con la de firma del informe, y debería figurar en cualquier contrato de IA.
El estudio refuerza la idea de que la IA en radiología exige gestión antes de firmar: elegir dónde el volumen justifica la inversión, diseñar el enrutamiento y monitorear uso y retraso después de la puesta en marcha. También dialoga con la reorganización del flujo de informes provocada por el fin de PowerScribe 360, porque el momento en que el resultado de la IA aparece en el dictado o el visor decide si se usa o no. Y en un mercado donde la radiología tiene el 76% de las autorizaciones de IA de la FDA, datos de uso real como estos son los que separan la aprobación regulatoria del valor operativo.
Perspectivas
El trabajo de 3R es uno de los pocos que reporta a la vez adopción, tiempo de informe, capacidad en FTE y latencia en toda una red multiproveedor. Su mensaje principal no es que la IA acelera los informes, algo que ya se sospechaba para tareas de alto volumen como la detección de fracturas. Es que, a escala, el retorno depende de la integración: hasta uno de cada ocho resultados de TC de tórax llegó cuando ya no servía. Reducir esa cifra es tarea de TI, PACS y orquestación, no de ciencia de datos.
Fuente: The Imaging Wire y Morozov et al., JACR 2026
