Percival, la IA de Penn que busca enfermedad oculta en cada TAC, aún necesita validación clínica

Por Medical Xpress · 19 de octubre de 2026.

Investigadores de Penn Medicine (Perelman School of Medicine, Universidad de Pensilvania) han presentado Percival, un modelo de IA que analiza tomografías computarizadas (TAC) en busca de patrones ajenos al motivo original del estudio. En general, a esta práctica se la conoce como «cribado oportunista». Según la información publicada, el modelo puede señalar rastros de enfermedades crónicas como la fibrilación auricular y la enfermedad renal crónica. También detecta cáncer de páncreas, cirrosis y neumonía bacteriana, y estima el riesgo futuro de complicaciones cardiovasculares y hepáticas.

Los autores lo entrenaron con unos 400.000 TAC de alrededor de 50.000 pacientes del Penn Medicine BioBank, un archivo con datos de más de 350.000 personas recopilados durante unas dos décadas. El trabajo se ha publicado en *npj Digital Medicine* con el título «Generalizable CT vision-language modeling for population health and disease risk». Lo firman Cameron Beeche como autor principal y Walter Witschey como autor sénior. Un modelo visión-lenguaje combina imágenes y texto en una misma representación, y eso le permite relacionar lo que ve en el TAC con el historial clínico.

La fuente afirma que Percival identifica el cáncer de páncreas, la cirrosis y la neumonía bacteriana con más fiabilidad que TotalSegmentator, otra herramienta de análisis de TAC. Esa comparación es solo cualitativa: el artículo no da sensibilidad, especificidad ni AUC (área bajo la curva, la medida habitual de acierto). Sin esos números no se puede dimensionar la mejora.

También conviene separar capacidad de promesa. Percival sigue en pruebas preclínicas y la validación clínica está pendiente. Los desarrolladores planean probarlo a principios del año que viene, con el objetivo de llegar al uso clínico. Según el propio equipo, quieren ampliar los datos con más instituciones para ganar robustez. Eso sugiere que el entrenamiento procede de un único sistema sanitario, aunque el artículo no lo dice expresamente. El código y las especificaciones del modelo son abiertos.

**Nuestra lectura.** La tesis de fondo es que el activo estratégico de la IA médica son los archivos que los hospitales ya tienen. Un TAC pedido por un motivo contiene información que hoy nadie lee, y extraerla no exige pruebas nuevas ni más radiación para el paciente. Es el mismo patrón que vemos en otros modelos que aprovechan historiales longitudinales: el valor está en lo que ya se ha almacenado.

El riesgo está en el cribado oportunista. Detectar más enfermedad no equivale a mejorar la salud. Si el modelo genera falsos positivos, aparecerán pruebas innecesarias, ansiedad y sobrediagnóstico. Por eso importan más las métricas reales y los ensayos multicéntricos que el titular. A corto plazo, la carga recaerá sobre radiólogos y sistemas sanitarios que tendrán que decidir qué hacer con hallazgos que nadie pidió.

A largo plazo, la dirección es la correcta. Una medicina que detecta pronto, de forma casi gratuita y sobre datos ya existentes, es un paso real hacia erradicar enfermedades que hoy se diagnostican tarde. Que el código sea abierto ayuda a que otros centros lo auditen y lo repliquen, algo que la validación independiente necesita. Aún no sabemos cuánto acierta, y eso es lo que decidirá si Percival llega a la consulta.