![\"Paciente](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/08\/mamografia-ia-radiologistas-expectativas.jpg\")
Qu\u00e9 midi\u00f3 la encuesta de la SBI<\/h2>\n
La muestra est\u00e1 formada por radi\u00f3logos de mama afiliados a la SBI, y la adopci\u00f3n se distribuy\u00f3 as\u00ed: 47% ya implement\u00f3 herramientas de IA para detecci\u00f3n de c\u00e1ncer de mama, 11,2% planea implementarlas y 41,8% no utiliza ninguna soluci\u00f3n diagn\u00f3stica de IA. En la pr\u00e1ctica, la especialidad se divide casi por mitades entre quienes ya convive con el algoritmo y quienes observa desde afuera.<\/p>\n
El dise\u00f1o es declarativo: son percepciones subjetivas de los lectores, no mediciones de desenlace extra\u00eddas de una base de datos. Eso es una limitaci\u00f3n y tambi\u00e9n el punto del estudio. Ning\u00fan comit\u00e9 de compras decide a partir de la sensibilidad en un conjunto de validaci\u00f3n externa; decide a partir de lo que dicen sentir sus propios radi\u00f3logos despu\u00e9s de seis meses de uso. Esa capa casi nunca se publica.<\/p>\n
Retorno, biopsia y burnout: tres desencuentros<\/h2>\n
Las cifras centrales comparan lo que los participantes esperaban antes de la implantaci\u00f3n con lo que informan observar despu\u00e9s. Conviene leerlas despacio:<\/p>\n
- \n
- Menor tasa de llamadas de retorno<\/strong> \u2014 59% esperaba reducci\u00f3n; 35% informa haberla visto.<\/li>\n
- Menos biopsias innecesarias<\/strong> \u2014 36% lo esperaba; solo 9% informa haberlo observado.<\/li>\n
- Menos burnout<\/strong> \u2014 56% esperaba alivio; 29% informa alivio real.<\/li>\n<\/ul>\n
La ca\u00edda m\u00e1s brutal est\u00e1 en la biopsia: del 36% al 9%, una raz\u00f3n de cuatro a uno entre esperanza y experiencia. Tiene sentido en t\u00e9rminos de flujo de trabajo. La IA act\u00faa en el momento de la lectura y se\u00f1ala regiones sospechosas; la decisi\u00f3n de biopsiar depende de caracterizaci\u00f3n adicional, ecograf\u00eda dirigida, correlaci\u00f3n cl\u00ednica y muchas veces de la preferencia de la paciente. Un marcador de probabilidad en la mamograf\u00eda no es el cuello de botella de esa cadena de decisi\u00f3n.<\/p>\n
El punto del burnout merece atenci\u00f3n especial de quien gestiona equipos. La expectativa de que la IA aliviar\u00eda la carga cognitiva era mayoritaria, y el alivio informado qued\u00f3 en cerca de la mitad. Relevamientos europeos apuntan en la misma direcci\u00f3n: alrededor del 70% de los radi\u00f3logos afirma no percibir reducci\u00f3n de carga cl\u00ednica con IA, y una parte teme que la herramienta agregue tareas: validar marcas, documentar discordancias, explicar el resultado a la paciente.<\/p>\n
Por qu\u00e9 la IA qued\u00f3 como segunda opini\u00f3n y no como decisi\u00f3n<\/h2>\n
El patr\u00f3n de uso informado es revelador: la mayor\u00eda considera la IA sobre todo una segunda opini\u00f3n y pocos la toman como factor determinante de la conducta. Seg\u00fan Almogati, solo una minor\u00eda trata la salida del algoritmo como elemento decisorio.<\/p>\n
Existe una explicaci\u00f3n t\u00e9cnica s\u00f3lida 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 calibraci\u00f3n local, el n\u00famero es una se\u00f1al, no un veredicto. El radi\u00f3logo que trata el puntaje como sugerencia hace exactamente lo que recomienda la estad\u00edstica.<\/p>\n
Hay adem\u00e1s el problema del umbral. Las herramientas de detecci\u00f3n operan en un punto de corte que intercambia sensibilidad por especificidad. Mover el corte para no perder c\u00e1ncer aumenta las marcas por estudiar; moverlo para reducir falsas alarmas devuelve el riesgo de escapar una lesi\u00f3n. Ninguna configuraci\u00f3n mejora los dos extremos a la vez, y por eso la promesa de \u00abmenos retorno y m\u00e1s detecci\u00f3n\u00bb simult\u00e1neamente suele deshacerse en la rutina.<\/p>\n
Costo y apoyo institucional: las barreras que quedan<\/h2>\n
Entre quienes a\u00fan no adoptaron, las dos barreras dominantes no son cl\u00ednicas: costo y falta de apoyo institucional. Eso desplaza el debate de la exactitud al modelo de financiamiento. Un algoritmo de detecci\u00f3n en mamograf\u00eda es un gasto recurrente por estudio o por suscripci\u00f3n, sin c\u00f3digo de reembolso propio en la mayor\u00eda de los contextos, y el beneficio aparece difuso: en una cola m\u00e1s corta, en un retorno evitado, en seguridad percibida.<\/p>\n
La lectura pr\u00e1ctica es directa. Los servicios que eval\u00faan incorporar IA de mama deben definir antes qu\u00e9 indicador justificar\u00e1 la factura: tasa de retorno, tiempo de informe, detecci\u00f3n por mil estudios o capacidad de absorber volumen sin contratar. Sin una m\u00e9trica elegida antes de firmar el contrato, el resultado previsible es el que retrata esta encuesta: herramienta instalada, uso como segunda opini\u00f3n, beneficio dif\u00edcil de demostrar.<\/p>\n
Nada de esto significa que la tecnolog\u00eda est\u00e9 detenida. La reciente autorizaci\u00f3n de la FDA a la IA de DeepHealth para ecograf\u00eda mamaria<\/a> muestra que la frontera se mueve m\u00e1s all\u00e1 de la mamograf\u00eda. Y sigue abierta la discusi\u00f3n sobre qu\u00e9 modalidad complementa mejor el cribado, como en el debate sobre el papel de la ecograf\u00eda en la era de la tomos\u00edntesis<\/a>.<\/p>\n
C\u00f3mo usar estos datos en la pr\u00e1ctica<\/h2>\n
Del trabajo surgen tres recomendaciones pr\u00e1cticas. Primera, alinear expectativas por escrito antes de la implantaci\u00f3n. Si el equipo espera ca\u00edda del retorno y el proveedor promete ganancia de sensibilidad, el proyecto arranca desalineado y termina en frustraci\u00f3n, lo que los autores plantean como requisito para una integraci\u00f3n sostenible.<\/p>\n
Segunda, medir la l\u00ednea de base antes de encender el algoritmo. Tasa de retorno, tasa de biopsia con resultado benigno y detecci\u00f3n por mil estudios deben existir como n\u00fameros hist\u00f3ricos del propio servicio; sin eso, cualquier evaluaci\u00f3n posterior es impresi\u00f3n.<\/p>\n
Tercera, prever el costo de comunicaci\u00f3n. Cuando la IA participa de la lectura, aparece la pregunta de la paciente sobre qu\u00e9 opin\u00f3 la computadora. El ACR ya public\u00f3 orientaci\u00f3n sobre res\u00famenes de informes generados por IA para pacientes<\/a>, se\u00f1al de que la capa de explicaci\u00f3n pas\u00f3 a ser parte del trabajo y no un extra.<\/p>\n
L\u00edmites del estudio y perspectivas<\/h2>\n
La encuesta tiene limitaciones honestas: 215 respondentes de una sociedad subespecializada no representan la radiolog\u00eda mamaria global, hay sesgo de autoselecci\u00f3n entre quienes contestan un cuestionario sobre IA y todas las medidas de impacto son autoinformadas, sin verificaci\u00f3n en bases de datos. Es perfectamente posible que la IA est\u00e9 reduciendo el retorno en servicios cuyos radi\u00f3logos no perciben la diferencia: percepci\u00f3n y efecto son cosas distintas.<\/p>\n
Aun as\u00ed, el mensaje es \u00fatil justamente por inc\u00f3modo. La tecnolog\u00eda entr\u00f3 en la rutina de la mitad de los servicios especializados sin entregar el alivio anunciado. El pr\u00f3ximo 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 reproducir\u00e1, en tres a\u00f1os, la misma encuesta que acaba de publicarse.<\/p>\n
- Menos biopsias innecesarias<\/strong> \u2014 36% lo esperaba; solo 9% informa haberlo observado.<\/li>\n