Lo que se esperaba de la IA y lo que informan los radiólogos
La mitad de los radiólogos de mama ya usa alguna herramienta de inteligencia artificial aprobada por la FDA para detección de cáncer y, según su propia evaluación, el beneficio quedó bastante por debajo de lo que imaginaban antes de instalar el software. Así lo muestra una encuesta a 215 miembros de la Society of Breast Imaging (SBI) publicada en la revista Clinical Imaging y liderada por Joud Almogati y colegas de UC San Diego Health. El trabajo no mide la exactitud del algoritmo: mide la distancia entre expectativa y experiencia real. Y esa distancia es amplia.
Qué midió la encuesta de la SBI
La muestra está formada por radiólogos de mama afiliados a la SBI, y la adopción se distribuyó así: 47% ya implementó herramientas de IA para detección de cáncer de mama, 11,2% planea implementarlas y 41,8% no utiliza ninguna solución diagnóstica de IA. En la práctica, la especialidad se divide casi por mitades entre quienes ya convive con el algoritmo y quienes observa desde afuera.
El diseño es declarativo: son percepciones subjetivas de los lectores, no mediciones de desenlace extraídas de una base de datos. Eso es una limitación y también el punto del estudio. Ningún comité de compras decide a partir de la sensibilidad en un conjunto de validación externa; decide a partir de lo que dicen sentir sus propios radiólogos después de seis meses de uso. Esa capa casi nunca se publica.
Retorno, biopsia y burnout: tres desencuentros
Las cifras centrales comparan lo que los participantes esperaban antes de la implantación con lo que informan observar después. Conviene leerlas despacio:
- Menor tasa de llamadas de retorno — 59% esperaba reducción; 35% informa haberla visto.
- Menos biopsias innecesarias — 36% lo esperaba; solo 9% informa haberlo observado.
- Menos burnout — 56% esperaba alivio; 29% informa alivio real.
La caída más brutal está en la biopsia: del 36% al 9%, una razón de cuatro a uno entre esperanza y experiencia. Tiene sentido en términos de flujo de trabajo. La IA actúa en el momento de la lectura y señala regiones sospechosas; la decisión de biopsiar depende de caracterización adicional, ecografía dirigida, correlación clínica y muchas veces de la preferencia de la paciente. Un marcador de probabilidad en la mamografía no es el cuello de botella de esa cadena de decisión.
El punto del burnout merece atención especial de quien gestiona equipos. La expectativa de que la IA aliviaría la carga cognitiva era mayoritaria, y el alivio informado quedó en cerca de la mitad. Relevamientos europeos apuntan en la misma dirección: alrededor del 70% de los radiólogos afirma no percibir reducción de carga clínica con IA, y una parte teme que la herramienta agregue tareas: validar marcas, documentar discordancias, explicar el resultado a la paciente.
Por qué la IA quedó como segunda opinión y no como decisión
El patrón de uso informado es revelador: la mayoría considera la IA sobre todo una segunda opinión y pocos la toman como factor determinante de la conducta. Según Almogati, solo una minoría trata la salida del algoritmo como elemento decisorio.
Existe una explicación técnica sólida para esa postura, y no es conservadurismo. Un puntaje de sospecha entre 0 y 100 no lleva consigo el valor predictivo positivo aplicable a la paciente concreta, que depende de la prevalencia local, la densidad mamaria, los antecedentes familiares y la disponibilidad de estudios previos para comparar. Sin calibración local, el número es una señal, no un veredicto. El radiólogo que trata el puntaje como sugerencia hace exactamente lo que recomienda la estadística.
Hay además el problema del umbral. Las herramientas de detección operan en un punto de corte que intercambia sensibilidad por especificidad. Mover el corte para no perder cáncer aumenta las marcas por estudiar; moverlo para reducir falsas alarmas devuelve el riesgo de escapar una lesión. Ninguna configuración mejora los dos extremos a la vez, y por eso la promesa de «menos retorno y más detección» simultáneamente suele deshacerse en la rutina.
Costo y apoyo institucional: las barreras que quedan
Entre quienes aún no adoptaron, las dos barreras dominantes no son clínicas: costo y falta de apoyo institucional. Eso desplaza el debate de la exactitud al modelo de financiamiento. Un algoritmo de detección en mamografía es un gasto recurrente por estudio o por suscripción, sin código de reembolso propio en la mayoría de los contextos, y el beneficio aparece difuso: en una cola más corta, en un retorno evitado, en seguridad percibida.
La lectura práctica es directa. Los servicios que evalúan incorporar IA de mama deben definir antes qué indicador justificará la factura: tasa de retorno, tiempo de informe, detección por mil estudios o capacidad de absorber volumen sin contratar. Sin una métrica elegida antes de firmar el contrato, el resultado previsible es el que retrata esta encuesta: herramienta instalada, uso como segunda opinión, beneficio difícil de demostrar.
Nada de esto significa que la tecnología esté detenida. La reciente autorización de la FDA a la IA de DeepHealth para ecografía mamaria muestra que la frontera se mueve más allá de la mamografía. Y sigue abierta la discusión sobre qué modalidad complementa mejor el cribado, como en el debate sobre el papel de la ecografía en la era de la tomosíntesis.
Cómo usar estos datos en la práctica
Del trabajo surgen tres recomendaciones prácticas. Primera, alinear expectativas por escrito antes de la implantación. Si el equipo espera caída del retorno y el proveedor promete ganancia de sensibilidad, el proyecto arranca desalineado y termina en frustración, lo que los autores plantean como requisito para una integración sostenible.
Segunda, medir la línea de base antes de encender el algoritmo. Tasa de retorno, tasa de biopsia con resultado benigno y detección por mil estudios deben existir como números históricos del propio servicio; sin eso, cualquier evaluación posterior es impresión.
Tercera, prever el costo de comunicación. Cuando la IA participa de la lectura, aparece la pregunta de la paciente sobre qué opinó la computadora. El ACR ya publicó orientación sobre resúmenes de informes generados por IA para pacientes, señal de que la capa de explicación pasó a ser parte del trabajo y no un extra.
Límites del estudio y perspectivas
La encuesta tiene limitaciones honestas: 215 respondentes de una sociedad subespecializada no representan la radiología mamaria global, hay sesgo de autoselección entre quienes contestan un cuestionario sobre IA y todas las medidas de impacto son autoinformadas, sin verificación en bases de datos. Es perfectamente posible que la IA esté reduciendo el retorno en servicios cuyos radiólogos no perciben la diferencia: percepción y efecto son cosas distintas.
Aun así, el mensaje es útil justamente por incómodo. La tecnología entró en la rutina de la mitad de los servicios especializados sin entregar el alivio anunciado. El próximo ciclo de evidencia necesita medir desenlaces auditables y no expectativas: retorno verificado en registro, biopsias benignas por mil estudios, tiempo real de lectura. Quien compre IA de mama en 2026 sin definir esos indicadores reproducirá, en tres años, la misma encuesta que acaba de publicarse.
Fuente: Clinical Imaging
