El cáncer de mama deja huellas seis años antes: la IA ya las ve, y eso obliga a repensar el cribado entero

Por Zendoric · 28 de junio de 2026.

Nuestra tesis es directa: el debate sobre si la inteligencia artificial puede adelantar la detección del cáncer de mama está zanjado. Lo que demuestra el estudio publicado en *Radiology* —órgano de la Sociedad Radiológica de América del Norte (RSNA) y firmado por investigadores del Hospital Universitario Karolinska de Estocolmo— no es una promesa de laboratorio, sino una capacidad ya disponible y desperdiciada. La pregunta relevante ha cambiado de naturaleza: no es qué puede hacer la IA, sino cuánto tardarán los sistemas sanitarios en dejar de ignorar lo que ya pueden hacer.

Los datos sostienen esa afirmación con solidez. El trabajo evaluó tres sistemas de diagnóstico asistido por IA (AI-CAD) ya comercializados, aplicándolos de forma retrospectiva a 88.963 mamografías de 31.394 pacientes, extraídas de la base de datos VAI-B de cuatro regiones suecas, con imágenes captadas entre enero de 2008 y abril de 2019. De ese universo, 12.072 mujeres fueron diagnosticadas con cáncer de mama durante el seguimiento. Los algoritmos identificaron patrones compatibles con el desarrollo futuro del tumor en el 39,3% de los casos dos años antes del diagnóstico clínico, en el 25,2% cuatro años antes y —el dato decisivo— en el 19,7% seis años antes, manteniendo en todos los horizontes una especificidad del 90%. Como resume el doctor Fredrik Strand, coinvestigador principal: «Aproximadamente el 20% de los casos de cáncer de mama presentan signos mamográficos que ya son visibles para la IA unos seis años antes del diagnóstico».

Conviene ser rigurosos donde los propios autores lo son: no hablamos de diagnósticos automáticos ni de predicciones infalibles, sino de señales probabilísticas que funcionarían como alerta temprana complementaria a la lectura del radiólogo. La IA no sustituye el criterio clínico; lo amplía con información que el ojo humano no puede capturar de forma consistente en cribados rutinarios, por limitaciones estructurales y no por negligencia. Esa distinción no es un matiz menor: es la diferencia entre una herramienta responsable y una sobrepromesa.

Lo que distingue a este estudio de otros en la misma línea es su horizonte temporal: una década de observación. Trabajos previos habían mostrado la utilidad de la IA para estimar el riesgo a medio plazo o priorizar revisiones entre rondas. Ampliar esa ventana hasta seis años sugiere algo de mayor calado: las mamografías contienen información latente mucho más rica de lo que explotan los protocolos actuales. Bajo el prisma de un algoritmo entrenado, cada imagen deja de ser una foto del momento y pasa a ser un punto en una trayectoria.

Nuestra lectura: el verdadero cambio que abre este trabajo es conceptual, no instrumental. Pasaríamos de un modelo de detección puntual —centrado en la ronda de cribado— a un seguimiento dinámico del riesgo a lo largo del tiempo, donde cada mamografía alimenta un perfil evolutivo individual y permite intensificar la vigilancia en quienes muestran puntuaciones crecientes, en lugar de aplicar un protocolo uniforme a toda la población. Esto conecta con la tendencia de fondo de la oncología de precisión: una medicina preventiva personalizada que estratifica el riesgo de forma continua y adaptativa, algo operativamente inviable sin automatización. Importa porque el cribado universal por edad, pese a su valor probado, arrastra limitaciones conocidas —sobrediagnóstico, infradetección en mamas densas, intervalos fijos— que esta tecnología puede empezar a corregir.

Seríamos ingenuos si presentáramos el camino como inmediato, y los investigadores no lo hacen. Quedan por resolver cuestiones técnicas —la validación externa de los algoritmos en poblaciones distintas a la sueca—, éticas —quién accede a las puntuaciones de riesgo y cómo se comunican— y organizativas —cómo integrar estos sistemas en programas nacionales sin saturar los recursos de seguimiento—. El marco regulatorio europeo para productos sanitarios digitales, que ya exige evidencia clínica robusta para los AI-CAD, añade una capa adicional de rigor antes de cualquier despliegue a escala. Nada de esto es trivial, pero todo es resoluble.

Y ahí reside el argumento difícil de rebatir. Estos tres sistemas no son prototipos: están en el mercado, y su capacidad predictiva supera con creces lo que se usa hoy en la práctica clínica habitual. Si el 20% de los tumores deja huellas detectables para un algoritmo seis años antes de manifestarse, el coste de no actuar sobre esa información ha dejado de ser técnico o económico. Es humano. El estudio del Karolinska no cierra una investigación: abre una agenda, y el reloj de esa agenda ya está corriendo.