EE.UU. mete en sus guías clínicas el primer test de IA que calcula, en la propia mamografía, el riesgo futuro de cáncer de mama

Por Zendoric · 5 de septiembre de 2026.

La National Comprehensive Cancer Network (NCCN), la organización de referencia que fija los protocolos oncológicos que siguen la mayoría de hospitales estadounidenses, ha actualizado su guía de cribado de cáncer de mama (versión 1.2026) para incluir, por primera vez, un cálculo de riesgo futuro basado en inteligencia artificial. La fuente del dato no es un análisis de sangre ni un test genético: es la propia mamografía que la paciente ya se hace de forma rutinaria.

Conviene distinguir dos cosas que suelen confundirse bajo la misma etiqueta de "IA en mamografías". Una es la IA de detección, que lleva años en uso: busca masas o calcificaciones ya presentes en la imagen y las señala al radiólogo. La otra, la que ahora entra en la guía NCCN, es la IA de predicción de riesgo: no busca cáncer presente, sino patrones sutiles en el tejido mamario que, según el modelo, se asocian a mayor probabilidad de desarrollar la enfermedad en el futuro. Es un salto conceptual: de "¿hay algo ahí?" a "¿qué probabilidad hay de que aparezca algo?".

La cifra concreta que fija la nueva guía es un riesgo calculado del 1,7% a cinco años como umbral de "riesgo aumentado", según recoge el propio documento de la NCCN. Superar ese umbral no implica tener cáncer ni desarrollarlo con certeza; abre una conversación clínica sobre si conviene añadir resonancia magnética o ecografía, valorar fármacos de reducción de riesgo, adelantar el inicio del cribado o reforzar el seguimiento. El objetivo declarado es cubrir a mujeres que hoy quedan fuera de las categorías de riesgo elevado porque los modelos tradicionales —edad, antecedentes familiares, mutaciones genéticas, historia reproductiva— no las detectan, algo que, según el artículo, ocurre en buena parte de los casos diagnosticados.

Técnicamente, el modelo usa deep learning (redes neuronales entrenadas con enormes volúmenes de mamografías de mujeres que sí y que no desarrollaron cáncer después) para encontrar patrones estadísticos de riesgo que ningún radiólogo humano identificaría a simple vista. Esa es también su principal debilidad: el propio artículo reconoce que el sistema no siempre explica por qué asigna una puntuación concreta, y que los investigadores todavía están tratando de mapear qué características de la imagen está usando realmente el algoritmo. Es el clásico problema de la "caja negra" en medicina: un resultado útil sin una causa clínica claramente trazable.

Hay que situar el contexto de esta noticia con precisión. El artículo de Cure Today se apoya, y así lo cita en sus referencias, en comunicados de Clairity, la empresa que en junio de 2025 se convirtió en la primera plataforma de IA autorizada por la FDA (la agencia reguladora de medicamentos y dispositivos médicos de EE.UU.) para predicción de cáncer de mama, y que en abril de 2026 anunció su propia inclusión en la guía NCCN. Es decir: una guía clínica nacional acaba de incorporar, de entrada, la herramienta de un único proveedor. No es ilegítimo —la autorización de la FDA exige evidencia previa—, pero conviene tenerlo presente: el hueco que abre esta actualización de la guía lo ocupa hoy un solo actor comercial, y previsiblemente otros competidores buscarán el mismo camino de autorización FDA más reconocimiento NCCN para entrar en el mismo mercado.

Esta noticia importa más allá del cáncer de mama porque marca un patrón que probablemente se replique: imagen médica rutinaria + IA de predicción de riesgo + inclusión en guías clínicas nacionales. Si funciona aquí, el mismo esquema es extrapolable a TC de tórax para riesgo de cáncer de pulmón, retinografías para riesgo cardiovascular o ecografías para otros tumores. La mamografía deja de ser solo una foto del presente para convertirse, potencialmente, en una fuente de información sobre el futuro de cada paciente.

Dicho esto, el propio artículo es honesto sobre lo que todavía falta, y es importante no adelantarse: no hay todavía evidencia consolidada de que actuar sobre esta puntuación de riesgo —haciendo más resonancias, adelantando cribados— mejore de verdad los resultados clínicos, ni de que el modelo funcione con la misma precisión en distintos grupos de población. Ese es exactamente el tipo de validación pendiente que separa una promesa tecnológica de una práctica clínica sólida: falta comprobar sesgos y equidad entre los distintos grupos de pacientes, y el riesgo nada trivial de generar sobrediagnóstico o ansiedad innecesaria a partir de una puntuación que ni sus creadores saben explicar del todo.

Nuestra lectura es que este tipo de avances —predicción temprana de riesgo a partir de datos que ya se recogen de forma rutinaria— es precisamente la clase de aplicación de la IA que, a largo plazo, puede acercarnos a una medicina genuinamente preventiva: detectar quién necesita vigilancia antes de que la enfermedad se manifieste, en lugar de limitarnos a diagnosticarla cuando ya está presente. Es un paso pequeño pero real hacia el horizonte de reducir drásticamente la carga de enfermedades como el cáncer mediante datos e IA. Pero el camino hasta ahí pasa, necesariamente, por la parte menos glamurosa: años de validación independiente, transparencia sobre qué detecta realmente el algoritmo y estudios que demuestren que la puntuación cambia desenlaces, no solo que suena convincente en un comunicado de prensa. Colar un modelo en una guía clínica es el principio del proceso de escrutinio, no el final.