Evaluación prospectiva de la integración de la inteligencia artificial en el cribado de cáncer de mama en distintos flujos de trabajo: el estudio GEMINI

Por qué esto importa para las mujeres y las clínicas

El cribado mamario salva vidas, pero también exige mucho a los médicos especialistas y puede causar ansiedad cuando se citan innecesariamente a las mujeres. Este estudio, realizado en un programa real del Servicio Nacional de Salud (NHS) en Escocia, planteó una pregunta práctica: ¿puede la inteligencia artificial (IA) ayudar a los médicos a encontrar más cánceres sin aumentar las citaciones y la carga de trabajo? En lugar de probar una sola configuración, los investigadores exploraron muchas maneras de incorporar la IA en el cribado diario, ofreciendo una hoja de ruta para clínicas con distintas presiones y prioridades.

Cómo funciona hoy el cribado mamario

En el Reino Unido, a las mujeres de 50 a 71 años se les invita a hacerse una mamografía cada tres años. Cada conjunto de radiografías de mama es valorado de forma independiente por dos lectores humanos entrenados. Si discrepan, un tercer experto toma la decisión final. Este enfoque de "doble lectura" mejora la seguridad pero exige grandes cantidades de tiempo especializado. Al mismo tiempo, los sistemas de salud afrontan un aumento en el número de mujeres que acuden al cribado y escasez de radiólogos. Por ello, cualquier herramienta nueva debe hacer más que identificar cánceres; debe encajar en el sistema existente y ayudar a gestionar el tiempo limitado del personal.

Qué se propuso probar el estudio GEMINI

El estudio GEMINI siguió a 10.889 mujeres que asistieron al cribado rutinario en una región del Reino Unido en 2023. Todas recibieron la atención estándar: sus mamografías fueron leídas por dos expertos humanos, con arbitraje si fue necesario. En segundo plano, un sistema comercial de IA llamado Mia también analizó las imágenes y registró silenciosamente su opinión. El equipo de investigación usó luego dos ideas principales. Primero, probaron la IA como una "red de seguridad adicional": si la IA sugería citar a una mujer pero el equipo de cribado no lo hacía, sus imágenes se enviaban a una revisión humana adicional. Segundo, utilizaron los resultados registrados de la IA para simular distintos esquemas de "triaje", en los que la IA ocasionalmente sustituiría al segundo lector para ahorrar tiempo. En total, modelaron 17 flujos de trabajo distintos que combinaban estos enfoques.

Qué pasó cuando la IA actuó como lectora adicional

Cuando la IA discrepó con la decisión rutinaria de no citar, lectores sénior revisaron de nuevo esas mamografías. De 1.345 casos así, 55 mujeres fueron citadas para pruebas adicionales y se detectaron 11 cánceres de mama adicionales que de otro modo se habrían pasado por alto en esa visita. La mayoría fueron cánceres invasivos y muchos eran relativamente pequeños. Es importante que la revisión de estos casos adicionales fue rápida: aproximadamente nueve de cada diez se leyeron en menos de un minuto, similar o más rápido que una lectura típica de mamografía. Esto sugiere que los lectores experimentados pudieron usar las señales de la IA de manera eficiente, confirmando preocupaciones reales y descartando con seguridad cambios inocuos al comparar con imágenes previas.

Cómo el triaje con IA puede aligerar la carga

El equipo preguntó luego cómo la IA podría sustituir de forma segura algunas de las segundas lecturas humanas. En los flujos de trabajo de "triaje", cuando el primer lector humano y la IA estaban de acuerdo, ese acuerdo se mantenía y no se necesitaba un segundo lector para esos casos. En los flujos de "triaje negativos", este atajo solo se usaba cuando ambos concordaban en que no era necesaria la citación, lo que evita citaciones adicionales pero sigue ahorrando trabajo. Dependiendo de los umbrales de decisión establecidos para la IA, estas estrategias simuladas pudieron reducir la carga total de lectura en aproximadamente un tercio hasta casi la mitad. Algunas versiones redujeron ligeramente el número de cánceres detectados, mientras que otras preservaron la detección de cáncer e incluso redujeron la proporción de mujeres citadas para más pruebas.

Encontrar el mejor equilibrio para cada clínica

El flujo principal que los autores favorecieron combinó un esquema de "triaje negativos" con el papel de lectora adicional de la IA. En esta configuración, todos los cánceres encontrados por el cribado rutinario siguieron detectándose, además de los 11 cánceres adicionales señalados por la IA. Esto aumentó la tasa de detección de cáncer en alrededor de un 10 por ciento—aproximadamente un cáncer adicional por cada 1.000 mujeres cribadas—manteniendo la tasa de citación esencialmente sin cambios y reduciendo la carga de lectura humana hasta en un 31 por ciento. Otros flujos probados ofrecieron distintos balances, como mayores ahorros de trabajo y menos falsas alarmas, a costa de perder un pequeño número de cánceres que el flujo principal habría detectado.

Qué significa esto para el futuro del cribado mamario

Para un no especialista, el mensaje clave es que la IA no está destinada a reemplazar a los médicos en el cribado mamario, sino a servir como asistente flexible. En esta evaluación en el mundo real, un sistema de IA, usado con cuidado, ayudó a encontrar más cánceres sin aumentar el número de mujeres citadas y al mismo tiempo liberó una fracción sustancial del tiempo experto de lectura. Dado que el estudio exploró muchas configuraciones posibles, los servicios de salud pueden elegir la que mejor se adapte a sus necesidades, ya sea maximizar la detección de cáncer, minimizar las citaciones innecesarias o aliviar la escasez de personal. Hará falta más trabajo en otras regiones, con distintas herramientas de IA y seguimiento más prolongado, pero este estudio muestra que una integración reflexiva de la IA podría hacer que el cribado mamario sea tanto más eficaz como más sostenible.

Cita: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

Palabras clave: cribado de cáncer de mama, inteligencia artificial, mamografía, carga de trabajo en radiología, detección de cáncer