IA contra el cáncer de mama: el reto ya no es el algoritmo, sino datos diversos, validación y privacidad

Por IFM Noticias · 20 de octubre de 2026.

Fran Ernesto Romero Álvarez, director del Programa en Ingeniería de Datos e Inteligencia Artificial de la Universidad Católica de Colombia, explicó en el Mes de la Prevención del Cáncer de Mama cómo se aplican estas tecnologías en el entorno clínico. Según el experto, los modelos cruzan datos clínicos, genéticos, de estilo de vida e imágenes para detectar perfiles de alto riesgo y priorizar los casos más urgentes.

El matiz más relevante es el paso del diagnóstico a la predicción. Romero Álvarez señala que han aparecido aplicaciones que estiman el riesgo de desarrollar cáncer a partir de mamografías. Es decir, no solo detectan un tumor ya presente, sino que valoran la probabilidad de que aparezca uno.

Los datos que alimentan estos sistemas, según el artículo, son cuatro: antecedentes clínicos y familiares, hábitos (alcohol, tabaco, actividad física), pruebas genéticas e imágenes (mamografías, ecografías y resonancias). La calidad de la predicción depende de la calidad y la diversidad de esos datos.

El experto advierte de riesgos concretos: errores de diagnóstico, sesgos y vulneraciones de privacidad. El artículo explica que un modelo sin validación rigurosa puede dar falsos positivos (alertar de una enfermedad que no existe) o falsos negativos (no detectar la que sí existe). Si una población está poco representada en los datos de entrenamiento, el sistema puede ser menos preciso para ella. También menciona la reidentificación: técnicas que pueden revertir la anonimización de los pacientes.

Como siguiente paso, plantea los modelos multimodales (LMM, por sus siglas en inglés). A diferencia de los modelos de lenguaje, que procesan texto, integran texto, imágenes y vídeo. En el cáncer de mama, una herramienta podría correlacionar la nota clínica, la mamografía y los marcadores genéticos a la vez.

Nuestra lectura: el artículo es divulgativo y no aporta cifras de precisión, ensayos clínicos ni nombres de herramientas concretas. Conviene, por tanto, leerlo como un mapa de oportunidades y riesgos, no como evidencia de resultados. Lo que sí es sólido es el diagnóstico de fondo: en medicina, el cuello de botella de la IA rara vez es el modelo, sino los datos. Datos limpios, integrados y representativos de poblaciones diversas son la verdadera infraestructura crítica.

Ese punto tiene una consecuencia directa para América Latina. En general, los grandes modelos médicos se entrenan con datos de países ricos, así que su rendimiento en otras poblaciones es una incógnita hasta que se valide localmente. Quien invierta en datos sanitarios propios, bien gobernados, tendrá herramientas más fiables y más soberanía. Ahí está también la oportunidad profesional que subraya el experto para ingenieros de datos y especialistas en IA.

A corto plazo, la transición será desigual: los sistemas con mala validación pueden generar ansiedad, sobrediagnóstico o confianza excesiva, y los hospitales con menos recursos tardarán más en beneficiarse. A largo plazo, el horizonte es esperanzador. Una detección más temprana y un riesgo personalizado son pasos concretos hacia una medicina que prevenga en lugar de reaccionar, y hacia el objetivo mayor de erradicar enfermedades como esta. Pero ese futuro se construye con validación constante, regulación basada en evidencia y respeto a la privacidad, no con entusiasmo.