Un nuevo estudio francés arrojó una cifra que haría detenerse a cualquier gestor de un servicio de imagen: la inteligencia artificial logró identificar el 77% de los exámenes de mamografía como de bajo riesgo, casos que podrían salir con seguridad del flujo de doble lectura. En la práctica, eso significa liberar tres de cada cuatro exámenes de la revisión por un segundo radiólogo y concentrar el tiempo experto donde realmente importa.
Qué encontró el estudio
La investigación, publicada en Radiology: Artificial Intelligence, analizó de forma retrospectiva mamografías de unas 42.400 mujeres, adquiridas entre 2015 y 2019. Los autores aplicaron el algoritmo MammoScreen, de Therapixel, y compararon el desempeño de la IA con la doble lectura radiológica estándar.
El escenario francés es peculiar y ayuda a entender el impacto. A diferencia del resto de Europa, Francia reserva la doble lectura solo para los casos de menor riesgo —clasificados como BI-RADS 1 y 2—, mientras que los exámenes BI-RADS 3 a 5 pasan directamente a estudio diagnóstico. Como la doble lectura recae justamente sobre exámenes con baja prevalencia de cáncer, detectar los pocos tumores que aparecen allí es especialmente difícil. El estudio planteó una pregunta directa: ¿y si la IA asumiera ese triaje de bajo riesgo?
Los números detrás del triaje
Al clasificar el 77% de los exámenes como de bajo riesgo, el modelo dejó escapar un solo cáncer en ese grupo, una tasa que los investigadores describieron como «pequeña pero medible». Otros once cánceres aparecieron en el grupo que la IA marcó como no-bajo-riesgo, exámenes que de todos modos pasarían por la doble lectura en el nuevo flujo.
El dato más revelador quizá sea el del cáncer de intervalo, aquel que surge entre dos rondas de cribado. Su tasa fue cinco veces mayor en los casos clasificados como no-bajo-riesgo que en los de bajo riesgo (2,16 frente a 0,47 por cada mil exámenes). Esto indica que el algoritmo no estaba adivinando: realmente separó exámenes con perfiles de riesgo biológicamente distintos.
Por qué importa para la práctica clínica
La doble lectura es cara y consume un recurso escaso: radiólogos. Sacar el 77% de los exámenes de esa etapa reorienta horas de trabajo cualificado hacia los casos complejos, justo los que más se benefician de una mirada humana atenta. En sistemas presionados por la falta de personal, la ganancia es evidente; conviene recordar cuánto gastan los servicios públicos para cubrir esa brecha, como mostramos al analizar el agujero milmillonario del NHS por la escasez de radiólogos.
Aun así, el estudio no esconde el dilema. Existe un «riesgo pequeño, pero no nulo» de dejar pasar un cáncer. Ningún gestor debería adoptar el triaje por IA sin una gobernanza clara: monitorización continua del desempeño, auditoría de los casos de bajo riesgo y protocolos de contingencia. La tecnología desplaza el esfuerzo humano, no elimina la responsabilidad clínica.
Contexto: la carrera de la IA en mamografía
Este resultado no surge aislado. Dialoga con una ola de investigaciones recientes que prueban la IA como filtro de cribado mamográfico, sobre todo en Europa, donde el paradigma de doble lectura amplifica el potencial de ahorro. Los modelos de visión y lenguaje también avanzan en este terreno: vale la pena conocer el modelo visión-lenguaje de HOPPR para mamografía, que apunta a informes cada vez más asistidos por máquinas.
El debate de fondo sigue siendo el mismo que acompaña a toda la especialidad: ¿la IA sustituye o apoya al radiólogo? La evidencia sigue apuntando al apoyo. Como ya comentamos al analizar si la IA ayuda más a los residentes que a los especialistas, la ganancia real aparece cuando la máquina asume el trabajo repetitivo y el humano se queda con el juicio difícil.
Cómo funciona la doble lectura — y el caso latinoamericano
Conviene explicar el concepto para quien está fuera del cribado de mama. En la doble lectura, dos radiólogos analizan el mismo examen de forma independiente; si hay discrepancia, un tercero arbitra o el caso pasa a estudios adicionales. El método aumenta la sensibilidad y reduce los cánceres no detectados, pero cuesta el doble de horas-radiólogo por examen, un lujo cada vez más difícil de sostener.
En buena parte de América Latina el panorama difiere del europeo: gran parte del cribado es de lectura única y a menudo oportunística, realizada cuando la mujer acude al servicio por otro motivo. Eso cambia la ecuación del triaje por IA. En lugar de sustituir una segunda lectura que muchas veces ni siquiera existe, aquí la IA tiende a actuar como red de seguridad, señalando hallazgos sospechosos en servicios con pocos especialistas y largas listas de espera. La lección del estudio francés sigue vigente: la IA es eficaz para separar exámenes por riesgo, y esa capacidad puede calibrarse para realidades muy distintas de cobertura y densidad de radiólogos.
Está además el ángulo de la radiología oportunística y los informes estructurados. Cuando el triaje por IA se integra al PACS y al sistema de informes, resulta más sencillo seguir el desempeño por cohorte, auditar los falsos negativos y ajustar el umbral de «bajo riesgo» según la prevalencia local: justamente la gobernanza que convierte una buena métrica de investigación en seguridad de rutina.
Perspectivas y limitaciones
Por ser retrospectivo y centrado en un paradigma de lectura específico de Francia, el estudio necesita validación prospectiva —y pruebas en otros sistemas de cribado— antes de volverse rutina. Aun así, el mensaje es coherente con la literatura: la IA mantiene su capacidad de reducir la carga de trabajo del radiólogo en distintos programas de cribado del cáncer de mama. Los próximos pasos incluyen ensayos controlados, integración en los flujos de PACS e informes estructurados, y reglas claras de auditoría, para que el ahorro de recursos nunca se pague con un diagnóstico perdido.
Fuente: The Imaging Wire — «AI Reduces Mammography Workload»
