Una nueva tecnología analiza patrones invisibles en las mamografías para calcular el riesgo futuro de cáncer de mama. Investigadores españoles estudian cómo adaptar las revisiones a cada mujer, aunque todavía quedan pruebas clínicas por superar.
Una mamografía que parece normal podría contener información que hasta ahora pasaba inadvertida. No necesariamente una lesión que ya existe, sino señales relacionadas con la posibilidad de desarrollar cáncer de mama durante los próximos años. La inteligencia artificial empieza a explotar esa información y abre una nueva vía para personalizar la detección precoz.
La herramienta Clairity Breast, desarrollada en Estados Unidos, utiliza inteligencia artificial para estimar el riesgo de cáncer de mama a cinco años a partir de una mamografía de cribado. El software cuenta con autorización de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) y se comercializa a través de Everlywell por 249 dólares.
La novedad no consiste en sustituir al radiólogo ni en diagnosticar un tumor antes de que aparezca. Su función es distinta: calcular una probabilidad futura a partir de patrones presentes en la imagen mamográfica. Esa información podría ayudar a decidir si una mujer necesita un seguimiento más estrecho o si puede continuar con el programa habitual de revisiones.
En España, equipos de investigación, entre ellos profesionales del Hospital Universitario Reina Sofía de Córdoba y del Instituto Maimónides de Investigación Biomédica de Córdoba (IMIBIC), estudian herramientas similares para comprobar si sus predicciones funcionan también en la población española.
El objetivo es pasar de un sistema de cribado esencialmente organizado por grupos de edad a otro que tenga más en cuenta el riesgo individual. Pero hay una condición indispensable: demostrar que esa personalización mejora realmente la salud de las mujeres.
Clairity Breast: cómo calcula el riesgo de cáncer de mama
Las mamografías permiten detectar alteraciones sospechosas en el tejido mamario y son una herramienta fundamental para el diagnóstico precoz. Los nuevos sistemas de inteligencia artificial pretenden aprovechar también la información que contiene una imagen aunque no se aprecie una lesión que requiera estudio.
Clairity Breast analiza características del tejido mamario, su textura y patrones que no siempre resultan perceptibles para el ojo humano. A partir de esos datos, genera una estimación porcentual del riesgo de recibir un diagnóstico de cáncer de mama durante los cinco años posteriores a la mamografía.
El modelo se ha desarrollado utilizando grandes conjuntos de imágenes médicas vinculadas a resultados clínicos posteriores. Según los datos recogidos en la información publicada por El Mundo, su entrenamiento incluyó más de 250.000 mamografías asociadas a cinco años de seguimiento.
La herramienta ofrece una estimación estadística. No puede determinar con certeza qué mujer desarrollará cáncer ni cuándo aparecerá la enfermedad. Tampoco identifica por sí misma un tumor presente ni sustituye la lectura de la mamografía por parte del especialista.
La diferencia es importante: una prueba diagnóstica busca indicios de una enfermedad existente, mientras que un modelo predictivo estima la probabilidad de que se produzca un acontecimiento futuro.
Qué significan los porcentajes de riesgo
Clairity Breast clasifica el riesgo en distintas categorías para facilitar la interpretación del resultado y la conversación entre la paciente y el profesional sanitario.
Según los umbrales descritos en la información publicada, las categorías son:
- Riesgo medio: inferior al 1,7 %.
- Riesgo intermedio: entre el 1,7 % y el 2,9 %.
- Riesgo alto: a partir del 3 %.
Estos porcentajes representan la probabilidad estimada de desarrollar cáncer de mama en el periodo evaluado, no la certeza de que vaya a aparecer un tumor.
Por ejemplo, una estimación del 3 % no significa que la paciente tenga cáncer, sino que el sistema calcula una probabilidad del 3 % para el horizonte temporal correspondiente. La interpretación debe tener en cuenta la edad, los antecedentes, otros factores clínicos y las limitaciones del modelo.
También es importante evitar la falsa tranquilidad que puede generar una puntuación baja. Un riesgo estimado bajo no descarta un cáncer presente ni elimina la necesidad de acudir a las revisiones recomendadas.
La empresa advierte, además, de que las puntuaciones especialmente elevadas deben interpretarse con cautela, ya que el modelo puede sobreestimar el riesgo en algunos casos. La valoración de un profesional resulta, por tanto, esencial para evitar conclusiones precipitadas.
¿Puede la inteligencia artificial cambiar el cribado tradicional?
Actualmente, los programas de detección precoz se organizan principalmente mediante criterios como la edad y los factores de riesgo conocidos. Los antecedentes familiares, las mutaciones genéticas, la densidad mamaria y determinadas circunstancias clínicas también pueden influir en las recomendaciones médicas.
La inteligencia artificial podría añadir otra fuente de información: los patrones que detecta directamente en las imágenes.
La radióloga Marina Álvarez, especialista en radiología mamaria y vinculada a la Sociedad Española de Radiología Médica (SERAM) y al Hospital Universitario Reina Sofía de Córdoba, explica en la información publicada por El Mundo que estos sistemas podrían facilitar un cribado personalizado para cada mujer.
La idea es sencilla en su planteamiento, aunque compleja en su aplicación. Si una herramienta identifica de forma fiable a las mujeres con mayor riesgo, el sistema sanitario podría valorar una vigilancia más estrecha para ellas. En aquellas con un riesgo menor, se podría estudiar si resulta adecuado mantener o modificar la frecuencia de las exploraciones, siempre con evidencia clínica suficiente.
No significa que la inteligencia artificial vaya a decidir automáticamente cuándo debe hacerse una mamografía. La finalidad es aportar información adicional para que los profesionales puedan tomar decisiones más ajustadas a cada caso.
Transpara Risk Index: la investigación española busca validar el modelo
Clairity Breast no es la única herramienta que busca estimar el riesgo futuro de cáncer de mama mediante imágenes médicas.
En España, el Hospital Universitario Reina Sofía y el Instituto Maimónides de Investigación Biomédica de Córdoba (IMIBIC) participan en la evaluación de Transpara Risk Index, un sistema que calcula el riesgo a cinco años a partir de mamografías digitales o tomosíntesis.
Según los datos recogidos en el reportaje de El Mundo, el modelo se ha entrenado con más de 200.000 mamografías y 6.000 casos de cáncer, con un seguimiento superior a 13 años.
En una validación externa previa, que incluyó más de 65.000 estudios de un centro europeo y otro estadounidense, el sistema obtuvo un área bajo la curva (AUC) de entre 0,73 y 0,75. En esa evaluación, el 10 % de las mujeres con mayor riesgo calculado concentró el 39,3 % de los cánceres observados.
El equipo investigador también ha estudiado una cohorte de más de 16.000 mujeres con mamografías normales y seguimiento superior a cinco años, con el objetivo de analizar el comportamiento de la herramienta en condiciones de cribado más próximas a la práctica real.
Los resultados preliminares de una investigación multicéntrica citados en el artículo incluyen 27.172 mamografías normales y 2.011 cánceres diagnosticados posteriormente. El AUC comunicado fue de 0,71 para la predicción a dos años, 0,70 a tres años y 0,69 a cinco años.
Además, aproximadamente el 30 % de los cánceres aparecidos durante los cinco años siguientes se concentró en el 10 % de mujeres que el sistema clasificó como de mayor riesgo.
Estos resultados son relevantes porque permiten evaluar si el modelo distingue entre grupos con probabilidades diferentes. Sin embargo, no demuestran por sí solos que utilizar la herramienta reduzca la mortalidad o mejore otros resultados clínicos.
Qué mide el AUC y por qué no garantiza un diagnóstico
El área bajo la curva, conocida como AUC, es una medida estadística utilizada para evaluar la capacidad de un modelo para distinguir entre personas que desarrollan un acontecimiento y aquellas que no lo hacen durante el periodo analizado.
Una puntuación más alta suele indicar una mejor capacidad de discriminación en el conjunto estudiado. Sin embargo, el AUC no expresa directamente la probabilidad de que una predicción individual sea correcta y tampoco mide por sí solo la utilidad clínica de una herramienta.
Por eso, las cifras de Transpara Risk Index deben interpretarse dentro del contexto de cada estudio. También hay que considerar la población analizada, el tiempo de seguimiento, la calidad de los datos y la posible variación del rendimiento entre hospitales y fabricantes de equipos.
Una herramienta puede distinguir razonablemente bien entre grupos de riesgo y, aun así, necesitar ajustes antes de utilizarse para decidir quién debe recibir pruebas adicionales.
La pregunta decisiva no es únicamente si el algoritmo predice mejor que un cuestionario, sino si las decisiones basadas en esa predicción benefician a las pacientes sin generar pruebas innecesarias ni aumentar los daños.
Más resonancias para unas mujeres y menos pruebas innecesarias
Si estos modelos demuestran su utilidad, podrían contribuir a organizar un seguimiento diferente según el riesgo individual.
Para las mujeres clasificadas como de mayor riesgo, el equipo médico podría valorar pruebas complementarias, como una resonancia magnética mamaria, en los casos en los que esté clínicamente indicada. También podría estudiar medidas de prevención y un seguimiento más estrecho.
En cambio, para las mujeres con riesgo bajo podría evaluarse si la estrategia habitual es suficiente o si resulta adecuado modificar algún aspecto del seguimiento. Cualquier cambio tendría que ajustarse a las recomendaciones clínicas y a la evidencia disponible.
La personalización podría aportar varias ventajas potenciales:
- Identificar a mujeres cuyo riesgo no queda suficientemente reflejado en los factores tradicionales.
- Concentrar recursos adicionales en quienes puedan obtener un mayor beneficio.
- Reducir algunas pruebas complementarias que no aporten utilidad clínica.
- Mejorar la planificación del seguimiento y la conversación entre pacientes y profesionales.
No obstante, estas ventajas son objetivos que deben demostrarse, no beneficios garantizados por el simple hecho de incorporar inteligencia artificial.
Una clasificación errónea puede tener consecuencias en ambas direcciones: una mujer podría someterse a pruebas innecesarias por una estimación excesiva o recibir una falsa sensación de seguridad por una puntuación demasiado baja.
La autorización de la FDA no equivale a una aprobación europea
Clairity Breast cuenta con autorización de la FDA mediante el procedimiento regulatorio estadounidense conocido como De Novo. Esa decisión permite comercializar el dispositivo en Estados Unidos dentro de las condiciones autorizadas.
Pero la autorización estadounidense no implica automáticamente que el producto esté autorizado para su uso en España o en el conjunto de la Unión Europea. La comercialización y el uso clínico en Europa deben cumplir los requisitos regulatorios que correspondan.
También conviene distinguir entre disponer de una herramienta en el mercado y haber demostrado que su incorporación a un programa público de cribado mejora los resultados de salud.
En el caso de Clairity Breast, la empresa ofrece la evaluación por 249 dólares, con revisión de los resultados por un profesional sanitario a través de Everlywell. La disponibilidad comercial no significa que el servicio esté integrado en el sistema sanitario español ni que forme parte de los programas públicos de detección precoz.
Por ahora, las pacientes deben seguir las recomendaciones de cribado que les correspondan y consultar con su equipo médico cualquier duda sobre sus factores de riesgo.
Los retos pendientes: validación, equidad y decisiones clínicas
Antes de generalizar el uso de estos sistemas, los especialistas deben comprobar cómo funcionan en poblaciones distintas y en entornos reales. Un modelo desarrollado con datos de determinados hospitales puede ofrecer resultados diferentes cuando se utiliza con otros equipos, protocolos o grupos de pacientes.
La validación externa independiente es especialmente importante. Permite comprobar que las predicciones no dependen exclusivamente de los datos utilizados durante el desarrollo y que el rendimiento se mantiene en condiciones distintas.
También es necesario evaluar posibles diferencias entre grupos de edad y poblaciones con características diversas. Si un modelo funciona peor en determinados colectivos, su aplicación generalizada podría aumentar las desigualdades en lugar de reducirlas.
Otro desafío es explicar los resultados. Una estimación de riesgo puede provocar preocupación si la paciente la interpreta como un diagnóstico, o generar una falsa tranquilidad si entiende que una puntuación baja elimina la posibilidad de desarrollar la enfermedad.
El profesional sanitario deberá explicar qué mide la herramienta, qué incertidumbre tiene y qué decisiones están justificadas. La IA puede aportar información, pero no sustituye la valoración clínica ni los estudios genéticos cuando existe sospecha de predisposición hereditaria.
La inteligencia artificial puede anticipar riesgos, pero no sustituye al médico
La llegada de Clairity Breast y la investigación sobre Transpara Risk Index reflejan un cambio en la manera de estudiar las mamografías. Las imágenes no solo pueden ayudar a identificar lesiones presentes, sino también contener patrones relacionados con el riesgo futuro.
El potencial es considerable: adaptar el seguimiento, detectar a tiempo a determinados grupos de riesgo y aprovechar mejor los recursos disponibles. Sin embargo, la tecnología todavía debe superar pruebas de validación, demostrar su utilidad clínica y encajar en los sistemas sanitarios de cada país.
La conclusión es clara: la IA puede ayudar a estimar el riesgo futuro de cáncer de mama, pero no diagnostica por sí sola ni garantiza que una mujer vaya a desarrollar la enfermedad. El siguiente paso no consiste simplemente en incorporar algoritmos, sino en demostrar que sus recomendaciones mejoran la prevención y la detección precoz sin provocar daños evitables.
Toqueteo
Toqueteo
Toqueteo