Un nuevo estudio publicado en la revista Radiology demostró que los algoritmos de inteligencia artificial aplicados a las mamografías de cribado pueden seguir cómo evoluciona el riesgo de cáncer de mama a lo largo de los años, y no solo estimarlo en un único momento. Al rastrear cómo cambia ese riesgo con el tiempo, la IA ofrece a los médicos una herramienta longitudinal para identificar de forma temprana a las mujeres que podrían beneficiarse de una vigilancia más estrecha.
Qué investigó el estudio
La predicción del riesgo se ha convertido en una de las aplicaciones más prometedoras de la IA en la imagen mamaria. Hace apenas unas semanas, otro trabajo mostró que tres modelos comerciales podían anticipar el cáncer de mama hasta seis años antes del diagnóstico, un avance que ya tratamos en nuestra cobertura sobre la IA que prevé el riesgo de cáncer de mama una década antes. Al menos un modelo, Clairity Breast, de la empresa Clairity, recibió la autorización de la FDA para la predicción de riesgo basada en imagen, y otros están en revisión.
Sin embargo, la mayoría de esos estudios calcula el riesgo en un único punto temporal. Eso es útil, pero ignora un matiz importante: el riesgo de una mujer no es estático. Puede cambiar según factores como la densidad del tejido mamario, que se modifica a lo largo de la vida y altera directamente el perfil de riesgo. Para cerrar esa brecha, los autores siguieron el riesgo de forma longitudinal con Mirai, un algoritmo de código abierto ya validado como más preciso que los modelos clínicos tradicionales, como Tyrer-Cuzick y BCRAT.
Metodología y cifras clave
Los investigadores aplicaron retrospectivamente Mirai a unas 54.000 mujeres que se realizaron mamografías entre 2009 y 2019, y luego compararon la variación de las puntuaciones de riesgo entre quienes desarrollaron cáncer y quienes se mantuvieron sanas. El contraste fue nítido y clínicamente coherente:
- Entre las mujeres diagnosticadas posteriormente, la puntuación mediana de riesgo seis años antes del diagnóstico subió de 2,1 a 6,6.
- En las mujeres que se mantuvieron libres de cáncer, las puntuaciones permanecieron prácticamente estables (de 1,8 a 2,2).
- La tasa de aumento anual fue mucho mayor en el grupo con cáncer (1,13 por año) que en el grupo sin cáncer (0,09 por año).
Las mujeres que desarrollaron la enfermedad solían ser mayores y presentar mamas densas o antecedentes personales o familiares de cáncer de mama, perfiles que refuerzan la plausibilidad clínica de los hallazgos. Más que el valor aislado de la puntuación, fue la trayectoria ascendente la que separó a los dos grupos.
Qué ve realmente la IA
Surge entonces la pregunta inevitable: ¿qué detecta el algoritmo si el cáncer aún no es visible para el radiólogo que lee la mamografía? La explicación más probable es que la IA percibe cambios sutiles en los patrones del tejido parenquimatoso de la mama, alteraciones que, en palabras de los autores, «pueden preceder a la detección radiográfica». En la práctica, esos patrones actúan como biomarcadores de imagen. Ahí reside el valor real de la tecnología: convierte la mamografía, hoy usada sobre todo para encontrar lesiones ya formadas, en un sensor capaz de señalar tendencias antes de que algo sea palpable o visible al ojo humano.
Implicaciones para la práctica clínica
Para el radiólogo y los programas de cribado, la lectura longitudinal abre la puerta a intervalos de cribado personalizados, modalidades complementarias —como la resonancia magnética o el ultrasonido— y estrategias preventivas a medida. En lugar de explorar a todas las mujeres con la misma cadencia bienal, sería posible intensificar el seguimiento precisamente de aquellas cuya puntuación sube de forma constante, evitando sobrecargar a quienes mantienen un riesgo estable. Esta estratificación dinámica encaja con la tendencia de medicina personalizada que también aparece al analizar los principales proveedores de IA aprobados por la FDA.
En contextos donde la capacidad de cribado es desigual entre regiones —gran parte de América Latina incluida—, las herramientas que ayudan a priorizar a quien realmente necesita estudios adicionales pueden optimizar recursos escasos sin inflar de forma indiscriminada el número de exámenes. El beneficio es tanto operativo como clínico.
Perspectivas y limitaciones
Cabe la cautela habitual: se trata de un estudio retrospectivo, y la validación prospectiva en poblaciones diversas es el siguiente paso natural antes de cualquier adopción a gran escala. También será esencial confirmar que estos modelos mantengan un rendimiento consistente entre distintos equipos, etnias y grupos de edad. Aun así, el trabajo avanza de manera sólida nuestra comprensión de cómo puede calcularse el riesgo mucho antes de un diagnóstico, y es fácil imaginar ese conocimiento traducido en intervenciones más tempranas, justo el tipo de promesa que define el auge de la medicina personalizada en radiología.
Fuente: The Imaging Wire
