![\"Mujer](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/08\/avaliacao-de-risco-mama-por-ia.jpg\")
C\u00f3mo se hizo la encuesta<\/h2>\n
Se recogieron 319 cuestionarios respondidos por pacientes en cuatro centros m\u00e9dicos, distribuidos entre consultorios de radiolog\u00eda, ginecolog\u00eda y cl\u00ednica m\u00e9dica. Esa distribuci\u00f3n por tipo de consultorio no es un detalle administrativo: produce el hallazgo m\u00e1s aplicable del estudio, como se ver\u00e1, porque las preferencias cambiaron seg\u00fan el lugar donde se abord\u00f3 a la paciente.<\/p>\n
El dise\u00f1o es transversal y declarativo: mide comodidad e intenci\u00f3n declaradas, no conducta observada. Conviene registrar la distancia entre ambas. Decirle a un investigador que aceptar\u00eda una estimaci\u00f3n algor\u00edtmica de riesgo es distinto de recibir un puntaje que indica riesgo elevado y decidir, con la agenda llena y un copago por pagar, realizar una resonancia complementaria. Aun as\u00ed, medir la aceptaci\u00f3n declarada tiene valor pr\u00e1ctico inmediato: es el n\u00famero que los servicios usan para decidir si vale la pena implantar el flujo.<\/p>\n
Qui\u00e9n quiere la paciente que entregue el resultado<\/h2>\n
La parte m\u00e1s \u00fatil del estudio es sobre comunicaci\u00f3n, no sobre tecnolog\u00eda. Las preferencias respecto de qui\u00e9n debe informar el riesgo variaron seg\u00fan el consultorio de reclutamiento: entre las mujeres abordadas en consultorios de ginecolog\u00eda y radiolog\u00eda, el 82,5% prefer\u00eda recibir el resultado de su ginec\u00f3logo y el 57,3% de su radi\u00f3logo. Entre las reclutadas en cl\u00ednica m\u00e9dica, la mayor\u00eda (63,3%) prefer\u00eda a su propio m\u00e9dico de atenci\u00f3n primaria.<\/p>\n
La lectura es directa y algo inc\u00f3moda para la radiolog\u00eda: la paciente quiere o\u00edr el resultado de alguien que ya conoce. No es un rechazo al radi\u00f3logo, es preferencia por el v\u00ednculo. Eso tiene consecuencia operativa inmediata, porque el puntaje de riesgo se genera dentro del servicio de imagen, a partir de la mamograf\u00eda, mientras la conversaci\u00f3n que le da sentido debe ocurrir en otro consultorio, con otro profesional, que muchas veces no sabe c\u00f3mo se calcul\u00f3 el n\u00famero.<\/p>\n
Toda implantaci\u00f3n seria de riesgo por IA carga entonces con un componente de comunicaci\u00f3n entre m\u00e9dicos que los presupuestos de proyecto tienden a subestimar. Sin un canal para explicar al ginec\u00f3logo y al cl\u00ednico qu\u00e9 significa ese puntaje, el resultado previsible es un n\u00famero circulando en la historia cl\u00ednica sin generar conducta, o generando una conducta desproporcionada.<\/p>\n
Qu\u00e9 hacen ellas ante un riesgo elevado<\/h2>\n
Entre las mujeres identificadas con riesgo aumentado, el 90,3% manifest\u00f3 inter\u00e9s en realizar estudios de cribado adicionales. El inter\u00e9s en pruebas gen\u00e9ticas tambi\u00e9n se diferenci\u00f3 por estrato de riesgo: 72% entre las de riesgo aumentado, frente al 50% entre las que no lo ten\u00edan.<\/p>\n
Un 90% de adhesi\u00f3n declarada a cribado suplementario es una cifra que exige planificaci\u00f3n de capacidad antes de la implantaci\u00f3n. Si un servicio comienza a calcular riesgo por IA en toda la poblaci\u00f3n que se hace mamograf\u00eda, y una fracci\u00f3n de esa poblaci\u00f3n queda clasificada como de riesgo alto, y nueve de cada diez de esas mujeres quieren un estudio adicional, la demanda de resonancia mamaria y ecograf\u00eda dirigida crece de forma previsible. Otra vez, el cuello de botella no es la aceptaci\u00f3n: es la agenda.<\/p>\n
El inter\u00e9s en pruebas gen\u00e9ticas entre la mitad de las mujeres sin riesgo aumentado tambi\u00e9n merece atenci\u00f3n. Se\u00f1ala una demanda de informaci\u00f3n que puede exceder la indicaci\u00f3n cl\u00ednica, con implicaciones de costo, asesoramiento gen\u00e9tico y ansiedad. Ning\u00fan servicio deber\u00eda encender un modelo de riesgo sin definir antes qu\u00e9 har\u00e1 con quien quiere m\u00e1s de lo que la evidencia recomienda.<\/p>\n
Contexto t\u00e9cnico: qu\u00e9 es el riesgo mamario por IA<\/h2>\n
Vale distinguir las generaciones de herramienta, porque la diferencia explica el inter\u00e9s actual. Los modelos cl\u00e1sicos como Gail y Tyrer-Cuzick estiman riesgo a partir de variables cl\u00ednicas: edad, menarca, paridad, antecedentes familiares, biopsias previas, a veces densidad mamaria categorizada. Son modelos de cuestionario: su desempe\u00f1o depende de la calidad de la anamnesis y notoriamente subestiman el riesgo en poblaciones subrepresentadas en las cohortes de derivaci\u00f3n.<\/p>\n
Los modelos basados en imagen funcionan de otro modo. Una red neuronal convolucional procesa directamente los p\u00edxeles de la mamograf\u00eda y aprende patrones de textura, distribuci\u00f3n de densidad y arquitectura del par\u00e9nquima asociados al diagn\u00f3stico futuro de c\u00e1ncer, incluidos patrones que no corresponden a ninguna categor\u00eda descriptiva que usen los radi\u00f3logos. La ganancia es que la estimaci\u00f3n no depende de que la paciente conozca la historia de salud de sus t\u00edas y abuelas, algo especialmente relevante en poblaciones con registro familiar incompleto.<\/p>\n
El contrapunto honesto es que estos modelos heredan el sesgo de sus bases de entrenamiento. Un algoritmo derivado mayoritariamente de mujeres blancas de un sistema de salud espec\u00edfico no tiene calibraci\u00f3n garantizada en otra poblaci\u00f3n, y la calibraci\u00f3n, no la discriminaci\u00f3n, es lo que importa cuando el n\u00famero decidir\u00e1 si alguien hace resonancia anual. Que la encuesta haya surgido de una universidad hist\u00f3ricamente afroamericana, con poblaci\u00f3n diversa, vuelve el hallazgo de aceptaci\u00f3n a\u00fan m\u00e1s interesante: alta aceptaci\u00f3n en un grupo con motivos hist\u00f3ricos para desconfiar.<\/p>\n
Implicaciones pr\u00e1cticas para el servicio de imagen<\/h2>\n
Se dibujan tres consecuencias para quien piensa en implantar. Primera: definir la v\u00eda de comunicaci\u00f3n antes del software. Como la paciente prefiere o\u00edr el resultado del ginec\u00f3logo o del cl\u00ednico, el informe debe entregar el puntaje de forma interpretable por quien no es radi\u00f3logo, con franja de riesgo, comparaci\u00f3n con el promedio poblacional y conducta sugerida, no solo un n\u00famero suelto.<\/p>\n
Segunda: dimensionar la demanda inducida. Conviene simular cu\u00e1ntas resonancias y ecograf\u00edas adicionales generar\u00eda el modelo aplicado a la poblaci\u00f3n real del servicio y comparar con la capacidad instalada. Ese c\u00e1lculo previo evita la situaci\u00f3n cl\u00e1sica de identificar riesgo y no poder ofrecer el estudio que la identificaci\u00f3n recomienda.<\/p>\n
Tercera: alinear la expectativa de beneficio. Vale recordar lo ocurrido con la IA de detecci\u00f3n: una encuesta reciente mostr\u00f3 que la IA en mamograf\u00eda entreg\u00f3 menos de lo que esperaban los radi\u00f3logos<\/a> en retorno, biopsia y burnout. Los modelos de riesgo son una promesa distinta y mejor posicionada \u2014estratificar a quien necesita m\u00e1s, en lugar de releer lo ya le\u00eddo\u2014, pero merecen el mismo escepticismo metodol\u00f3gico en la evaluaci\u00f3n.<\/p>\n Las limitaciones son las habituales de una encuesta: muestra de conveniencia en cuatro centros, sesgo de autoselecci\u00f3n entre quienes aceptan responder y el hecho de que la comodidad declarada no predice la adhesi\u00f3n real. Tampoco se midi\u00f3 el efecto de la alfabetizaci\u00f3n en salud ni se prob\u00f3 c\u00f3mo influye la formulaci\u00f3n de la pregunta: preguntar si alguien \u00abse sentir\u00eda c\u00f3moda\u00bb con la IA tiende a producir tasas m\u00e1s altas que preguntar si \u00abconfiar\u00eda m\u00e1s en la IA que en su m\u00e9dico\u00bb.<\/p>\n La agenda de investigaci\u00f3n que se desprende es clara: medir adhesi\u00f3n observada y no declarada; evaluar la calibraci\u00f3n de los modelos de riesgo en poblaciones diversas; y probar formatos de comunicaci\u00f3n de riesgo que funcionen para el m\u00e9dico no radi\u00f3logo. Lo que este estudio establece, y es \u00fatil, es que la pregunta \u00ab\u00bfla paciente lo aceptar\u00e1?\u00bb puede salir de la lista de obst\u00e1culos. Lo acepta. Falta que el sistema de salud est\u00e9 listo para lo que pedir\u00e1 despu\u00e9s, una pregunta tan abierta como la de qu\u00e9 modalidad complementaria realmente aporta en el cribado<\/a> o c\u00f3mo incorporar herramientas reci\u00e9n autorizadas como la IA de DeepHealth para ecograf\u00eda mamaria<\/a>.<\/p>\nL\u00edmites y pr\u00f3ximos pasos<\/h2>\n