El Hospital del Mar en Barcelona ha presentado cifras destacadas: su IA AI WaveMar ha alcanzado un 97,34 % de precisión al analizar mamografías de cribado en pruebas de laboratorio, lo que merece atención sobre lo que ocurre dentro de este centro de salud pública.
A medida que los diagnósticos de cáncer de mama aumentan, la mortalidad se ha estabilizado, en gran medida gracias a dos factores sencillos pero cruciales: una detección temprana y un mejor tratamiento.
En este contexto, los programas de cribado han demostrado que pueden reducir la mortalidad hasta en un 40 % al detectar lesiones en fases iniciales, lo que implica que identificar un problema cuando todavía es “pequeño” generalmente resulta en tratamientos más eficaces y, en muchos casos, menos agresivos para las pacientes.
No obstante, el cribado mediante mamografía no es infalible ni carece de limitaciones. Su sensibilidad se reduce considerablemente en mujeres con mamas densas, un escenario complicado donde es vital no pasar por alto ningún hallazgo. Cuando la sensibilidad disminuye, el riesgo de diagnósticos tardíos se incrementa, así como la probabilidad de un mal pronóstico.
A esta complejidad se le suma otro desafío clásico en el cribado: los falsos positivos. Estos son casos que parecen alarmantes pero que al final no lo son, generando ansiedad en las pacientes, pruebas adicionales innecesarias y aumentando el ruido clínico que afecta tanto al sistema como a los profesionales.
El mercado ya está repleto de soluciones comerciales, lo cual no siempre es positivo. Muchos modelos de IA aplicados a mamografía no se entrenan con datos de la población local donde finalmente serán utilizados, lo que puede restringir su eficacia. Los protocolos, los equipos, las prevalencias e incluso la forma de etiquetar y reportar hallazgos influyen en el rendimiento final del algoritmo.
Asimismo, hay un aspecto menos evidente pero crucial: la dependencia de herramientas externas puede llevar a costos adicionales en licencias, integración y soporte, y con frecuencia implica aceptar una “caja negra” cuyo funcionamiento interno no se controla completamente.
Lo más fascinante de AI WaveMar no es solo la cifra de precisión, sino su origen. El proyecto comenzó durante la pandemia en el Hospital del Mar, en un momento en que la presión asistencial obligaba a repensar procesos y buscar soluciones rápidas.
La necesidad surgió a raíz de la sobrecarga de radiografías de tórax provocada por la Covid-19: ante un volumen creciente, se reveló la urgencia de contar con herramientas que ayuden a clasificar y priorizar sin sacrificar precisión. A partir de esa experiencia, el equipo decidió aplicar un algoritmo a la detección de hallazgos sospechosos en mamografías, un campo donde el tiempo y la consistencia diagnóstica son igualmente cruciales.
El algoritmo fue desarrollado por Marcos Busto, jefe clínico del Servicio de Radiología del Hospital del Mar, con la colaboración de Natalia Arenas, radióloga especializada en mama en el centro y miembro de la SERAM, quien firma el estudio titulado “AI WaveMar: creación de un modelo de inteligencia artificial para detectar hallazgos sospechosos en la mamografía de cribado”.
En el ámbito de la salud, empero, una IA no se mide solo por su planteamiento, sino por su rendimiento frente a métricas clínicas concretas y dentro de flujos de trabajo reales. Las cifras, en este caso, sostienen el diálogo.
En pruebas de laboratorio, AI WaveMar logró una sensibilidad del 92,95 % para detectar casos sospechosos, lo que significa que identifica correctamente la mayoría de los estudios que deben generar sospechas clínicas. Simultáneamente, alcanzó una especificidad del 98,12 %, cifra crucial para clasificar adecuadamente los casos normales y evitar falsos positivos innecesarios.
Esto implica que el sistema no solo “detecta” estudios sospechosos, sino que también sabe cuándo no debe emitir alertas, protegiendo tanto al sistema como a las pacientes de intervenciones y preocupaciones innecesarias. También se refleja un Valor Predictivo Positivo (VPP) del 89,79 %, indicando que, cuando se marca algo como sospechoso, la probabilidad de que verdaderamente lo sea es alta.
Por otro lado, el Valor Predictivo Negativo (VPN) fue del 98,74 %, lo cual significa que cuando el algoritmo indica que no hay hallazgos relevantes, generalmente tiene razón. La cifra que más atención atrae es, sin duda, la exactitud global del 97,34 %, especialmente considerando que superar el 90 % es ya considerado un rendimiento sólido y que, en muchos contextos, se aspira a mantener la tasa de error por debajo del 8 %.
En el proceso habitual de cribado, el mamógrafo realiza dos proyecciones por mama, sumando cuatro imágenes por estudio. Estas imágenes son evaluadas ciegamente por dos radiólogos, así como por la IA, asegurando una lectura independiente. Si hay discrepancias entre ambos especialistas, un tercer radiólogo revisa el caso y actúa como desempate clínico.
Técnicamente, las imágenes son enviadas a un servidor interno del Hospital del Mar para su análisis automatizado, evitando depender de infraestructuras externas. El sistema proporciona dos elementos clave: una probabilidad de lesión potencialmente cancerosa y un mapa de calor que indica el área responsable de la clasificación.
Este detalle es fundamental, pues no se trata únicamente de una respuesta binaria de “sí” o “no”, sino de una herramienta que guía la atención del profesional hacia áreas específicas. El mapa de calor permite priorizar las mamografías más sospechosas —aunque todas son revisadas—, lo cual es crucial para optimizar la respuesta diagnóstica sin comprometer la calidad.
El siguiente paso, que realmente separará las promesas del impacto real, será evaluar cómo se desempeña AI WaveMar en un entorno clínico real y no solo en pruebas de laboratorio. Si los resultados se mantienen en la práctica diaria, se alcanzará una IA que reduce fricción, mejora la priorización y refuerza la equidad del cribado, sobre todo en casos complejos como las mamas densas.
En última instancia, la pregunta que plantea este proyecto trasciende la métrica concreta. Si un hospital público puede desarrollar internamente una IA útil y competitiva, quizás el debate ya no debería centrarse en si la IA debe incorporarse a la sanidad, sino en cuántas soluciones similares podrían estar emergiendo si se tratara a los datos clínicos y la infraestructura tecnológica como piezas estratégicas del sistema.
¿Tu negocio ya aparece en Catalogea? ¡Excelente! Eso significa que estamos ayudándote a tener más visibilidad.
Pero si aún no lo has reclamado, es momento de tomar el control de tu perfil.
Para verificar que eres el dueño o representante autorizado, necesitamos que cumplas al menos una de estas condiciones:
Nombre del negocio: [Campo de texto]
Tu nombre completo: [Campo de texto]
Tu relación con el negocio: [Dropdown: Dueño, Encargado, Empleado, Agencia, Otro]
Correo electrónico de contacto: [Campo de texto]
Teléfono del negocio: [Campo de texto]
Prueba de propiedad: [Botón para subir archivo o enlace a sitio/red social]
Mensaje adicional (opcional): [Campo de texto]
[ ] Confirmo que soy el representante autorizado y acepto los Términos de uso y la Política de privacidad.
Al enviar tu solicitud, revisaremos la información en menos de 72 horas y nos comunicaremos contigo para confirmar tu acceso.
Puedes enviarnos una solicitud de modificación o eliminación haciendo clic aquí, indicando tu relación con el negocio y el motivo.
Catalogea publica perfiles de negocios usando información pública extraída de fuentes accesibles en internet (Google Maps, redes sociales, sitios web oficiales, entre otros). Nuestro objetivo es brindar mayor exposición a negocios locales. No reclamamos propiedad sobre estos negocios ni garantizamos la exactitud de los datos si el perfil no ha sido verificado.
