Investigadores de la American Cancer Society desmontaron una de las categorías estadísticas más usadas — y más engañosas — de la epidemiología del cáncer en Estados Unidos. Al desagregar datos del programa SEER de 2000 a 2022, el estudio publicado en CANCER mostró que la incidencia total de cáncer varía hasta el doble entre grupos étnicos empaquetados bajo la misma etiqueta «asiático-americano o nativo de Hawái e islas del Pacífico» (AA/NHPI). En cáncer de mama, las mujeres nativas hawaianas registraron 140 casos por 100.000 — 27% por encima de las mujeres blancas y 57% por encima del promedio de su propio grupo agregado. Para quien opera tamizaje por imagen, eso no es sociología: es calibración de riesgo.
Qué muestran los datos desagregados
El cáncer de mama es la neoplasia más diagnosticada entre mujeres en todos los subgrupos AA/NHPI, sin excepción. Lo que cambia drásticamente es la magnitud y, sobre todo, la velocidad. La incidencia sube anualmente en todos ellos, pero a ritmos que no se parecen: cerca del 1% anual entre mujeres nativas hawaianas y filipinas, y entre el 3% y el 5% anual entre mujeres guameñas/chamorro, chinas, vietnamitas y coreanas.
Una tasa que crece 5% al año se duplica en poco más de catorce años. Una que crece 1% tarda setenta. Cuando ambas se reportan como un número único, el resultado es un promedio que describe mal los dos extremos y no sirve a ninguna política de tamizaje. Es el problema clásico de agregar poblaciones heterogéneas: el indicador se mantiene estadísticamente correcto y se vuelve clínicamente inútil.
«No se puede arreglar un problema que no se sabe que existe», resume una de las frases centrales del trabajo, y ahí está el argumento práctico. Los autores señalan que el mismo razonamiento se aplica a otros tumores con rango de riesgo amplio dentro del grupo, como pulmón, estómago y colorrectal, donde la agregación también esconde poblaciones de altísimo riesgo.
La adhesión al tamizaje tampoco es homogénea
El segundo eje de heterogeneidad es conductual y estructural. Entre 2015 y 2018, la adhesión a la mamografía en tiempo adecuado entre mujeres de 45 años o más varió del 55% entre mujeres indias asiáticas al 69% entre mujeres filipinas: catorce puntos porcentuales de diferencia dentro de la misma fila de tabla.
Parte de eso es acceso puro y simple. La proporción de mujeres sin cobertura de salud llega al 12% entre nativas de Hawái e islas del Pacífico, frente al 3% entre mujeres coreanas. Un programa de tamizaje que asume «las asiático-americanas tienen buena adhesión» — lectura razonable si solo se mira el promedio — diseñará una intervención para un público que no existe y fallará justamente donde el riesgo es mayor.
Por qué la agregación es un problema de imagen
El tamizaje mamográfico en Estados Unidos avanza rápido hacia modelos basados en riesgo, en los que la edad de inicio, el intervalo y la elección de modalidad dependen de una puntuación individual. Modelos de riesgo como Tyrer-Cuzick y BCSC usan la etnia como variable de entrada. Si esa entrada es una categoría que mezcla poblaciones con incidencia dos veces distinta, la puntuación sale sesgada por construcción: subestima el riesgo en subgrupos de alta incidencia y lo sobreestima en otros.
Ese es el puente directo con lo que cubrimos sobre la buena aceptación de las pacientes al cálculo de riesgo de mama por IA: si la paciente acepta ser estratificada, crece el deber de calibrar bien el estratificador. Los modelos de IA entrenados con etiquetas étnicas agregadas heredan el mismo defecto, con el agravante de que la opacidad del modelo dificulta auditar el sesgo. El punto ya apareció en el análisis de por qué la IA en mamografía entregó menos de lo prometido al salir de su conjunto de datos de origen.
El paralelo latinoamericano es incómodo
Brasil practica exactamente la misma agregación, con una etiqueta aún más amplia. La clasificación del IBGE usa «amarela» para toda la población de ascendencia asiática, y el país alberga la mayor diáspora japonesa fuera de Japón, además de comunidades chinas, coreanas y libanesas relevantes. La categoría «parda», a su vez, agrega una diversidad genética y socioeconómica que ningún modelo de riesgo representa con un solo coeficiente.
El contexto de tamizaje también es distinto y más frágil. El Ministerio de Salud recomienda mamografía bienal para mujeres de 50 a 69 años, mientras el Colegio Brasileño de Radiología y la Sociedad Brasileña de Mastología defienden tamizaje anual desde los 40. Con más de 70.000 casos nuevos al año estimados por el INCA y una cobertura mamográfica históricamente por debajo de la meta en varias regiones, el país tiene un problema de acceso antes que un problema de calibración fina. Pero la lección se transfiere: los datos del SISCAN permiten desagregación por raza y municipio, y ese análisis rara vez se hace a nivel de servicio.
Implicaciones para el servicio de imagen
Tres medidas son accionables en cualquier clínica de imagen, en cualquier país. La primera es recoger y usar la variable de ascendencia con granularidad — país de origen, no macrocategoría — en el registro. Sin el dato, ningún análisis es posible.
La segunda es auditar el propio servicio: tasa de asistencia, tasa de retorno tras un resultado indeterminado (BI-RADS 0 y 3) y tiempo hasta la biopsia, estratificados por grupo. La pérdida de seguimiento es donde el tamizaje realmente falla, y casi nunca se distribuye de forma uniforme. La tercera es adaptar la comunicación: material educativo en idioma y formato culturalmente adecuados cambia la adhesión de manera medible y cuesta poco.
Ampliar el arsenal técnico también cuenta: las mujeres asiáticas tienen, en promedio, mamas más densas, lo que reduce la sensibilidad de la mamografía aislada y refuerza el valor de modalidades complementarias, el mismo fundamento detrás de la autorización de la FDA a la IA de DeepHealth para ultrasonido de mama.
Limitaciones y próximos pasos
El estudio es de base poblacional y descriptivo: muestra diferencias de incidencia y de adhesión, no explica causas. Los registros de cáncer llevan clasificación étnica autodeclarada e imperfecta, con miscodificación conocida en poblaciones pequeñas, y las series desagregadas en subgrupos poco numerosos vienen con intervalos de confianza amplios. Las diferencias de incidencia también reflejan exposición, generación migratoria, paridad, obesidad y uso de terapia hormonal, variables que el diseño no aísla.
Aun así, la conclusión operativa es sólida e independiente de la explicación causal: cuando la heterogeneidad interna de una categoría supera la diferencia entre categorías, la categoría dejó de informar. El siguiente paso es institucional y no científico: exigir desagregación estándar en registros de cáncer y en informes de tamizaje, para que el dato exista antes de que la política lo necesite.
Fuente: The Imaging Wire — One Size Doesn’t Fit All for Asian American Cancer Risk
