El Hospital del Mar (Barcelona) acaba de poner cifras muy serias sobre la mesa: su IA AI WaveMar ha logrado un 97,34 % de exactitud al leer mamografías de cribado en pruebas de laboratorio, un dato que, por sí solo, ya obliga a mirar con atención lo que está ocurriendo dentro de este centro público.
Mientras los diagnósticos de cáncer de mama continúan aumentando de forma progresiva, la mortalidad se ha ido estabilizando, en gran parte por dos factores muy concretos y poco sofisticados en apariencia: detectar antes y tratar mejor.
En este contexto, los programas de cribado han demostrado que pueden reducir la mortalidad hasta en un 40 % al identificar lesiones en fases iniciales, lo que significa que encontrar el problema cuando todavía es “pequeño” suele traducirse en tratamientos más efectivos y, en muchos casos, menos agresivos para las pacientes.
Sin embargo, el cribado con mamografía no es magia ni está exento de limitaciones. Su sensibilidad disminuye de forma considerable en mujeres con mamas densas, precisamente uno de los escenarios más delicados, donde resulta crucial no pasar nada por alto. Cuando esa sensibilidad cae, el riesgo de diagnóstico tardío aumenta y, con ello, también lo hace la probabilidad de un peor pronóstico.
A esta dificultad se suma otro clásico del cribado: los falsos positivos. Se trata de casos que parecen sospechosos pero finalmente no lo son, generando ansiedad en las pacientes, pruebas adicionales innecesarias y un incremento del ruido clínico que tensiona tanto al sistema como a los profesionales.
Es en este punto donde la inteligencia artificial empieza a cobrar verdadero sentido, no como promesa futurista, sino como herramienta para superar limitaciones concretas del proceso y mejorar el porcentaje de acierto. Hablamos de sistemas capaces de aprender patrones en imagen médica y devolver una probabilidad de lesión, ayudando al radiólogo a priorizar estudios y a no “comerse” casos sutiles que podrían pasar desapercibidos en jornadas de alta carga asistencial.
El mercado, no obstante, ya está lleno de soluciones comerciales, y eso no siempre es una buena noticia. Muchos modelos de IA aplicados a mamografía no se entrenan con datos de la población local donde finalmente se utilizarán, lo que puede limitar su eficacia real. Cambian los protocolos, los equipos, las prevalencias e incluso la forma en que se etiquetan y reportan los hallazgos; todo ello influye en el rendimiento final del algoritmo.
Además, hay un aspecto menos visible pero determinante: cuando no se dispone de una herramienta propia, se depende de terceros. Eso implica costes añadidos en licencias, integración y soporte, y con frecuencia supone aceptar una “caja negra” cuyo funcionamiento interno no se controla por completo.
Lo más interesante de AI WaveMar no es únicamente la cifra final de exactitud, sino su origen. El proyecto se gesta durante la pandemia en el Hospital del Mar, en un momento en que la presión asistencial obligaba a repensar procesos y a buscar soluciones ágiles.
La chispa inicial fue la sobrecarga de radiografías de tórax derivada de la Covid-19: cuando el volumen se dispara, se hace evidente la necesidad de herramientas que ayuden a clasificar y priorizar sin perder precisión. A partir de esa experiencia, el equipo decidió aplicar un algoritmo a la detección de hallazgos sospechosos en mamografías, un ámbito en el que el tiempo y la consistencia diagnóstica también resultan críticos.
El algoritmo fue desarrollado por Marcos Busto, jefe clínico del Servicio de Radiología del Hospital del Mar, con la colaboración de Natalia Arenas, radióloga de 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 sanidad, sin embargo, una IA no se evalúa por lo bien que suena su planteamiento, sino por cómo se comporta frente a métricas clínicas concretas y dentro de flujos reales de trabajo. Las cifras, en este caso, son las que sostienen la conversación.
En pruebas de laboratorio, AI WaveMar alcanzó una sensibilidad del 92,95 % para identificar casos sospechosos, lo que implica que detecta correctamente la gran mayoría de los estudios que deberían levantar la ceja clínica. Al mismo tiempo, logró una especificidad del 98,12 %, una cifra clave para clasificar adecuadamente los casos normales y evitar falsos positivos innecesarios.
Esto significa que el sistema no solo “caza” estudios sospechosos, sino que también sabe cuándo no debe generar alertas, protegiendo tanto al sistema como a las pacientes de intervenciones y preocupaciones superfluas. A ello se suma un Valor Predictivo Positivo (VPP) del 89,79 %, lo que indica que, cuando marca algo como sospechoso, la probabilidad de que realmente lo sea es alta.
Por otro lado, el Valor Predictivo Negativo (VPN) fue del 98,74 %, de modo que cuando el algoritmo señala que no hay hallazgos relevantes, lo habitual es que esté en lo cierto. La cifra que más titulares genera es, sin duda, la exactitud global del 97,34 %, especialmente si se considera que superar el 90 % ya se interpreta como un rendimiento sólido y que, en muchos contextos, se busca mantener la tasa de error por debajo del 8 %.
En el flujo habitual de cribado, el mamógrafo realiza dos proyecciones por mama, lo que suma cuatro imágenes por estudio. Estas imágenes se valoran de forma ciega por dos radiólogos y también por la IA, garantizando una lectura independiente. Cuando existe discrepancia entre los dos especialistas, interviene un tercer radiólogo que revisa el caso y actúa como desempate clínico.
Desde el punto de vista técnico, las imágenes se envían a un servidor interno del Hospital del Mar para su análisis automatizado, evitando depender de infraestructuras externas. El sistema devuelve dos elementos clave: una probabilidad de lesión potencialmente cancerosa y un mapa de calor que señala el área responsable de la clasificación.
Este detalle es importante, porque no se trata únicamente de un veredicto binario de “sí” o “no”, sino de una herramienta que orienta la mirada del profesional hacia zonas concretas. El mapa de calor permite comenzar por las mamografías más sospechosas —aunque todas se revisan—, algo fundamental cuando se busca agilizar la respuesta diagnóstica sin comprometer la calidad.
El siguiente paso, el que realmente separa las promesas del impacto tangible, será comprobar cómo rinde AI WaveMar en un entorno clínico real y no solo en pruebas de laboratorio. Si los resultados se sostienen en la práctica diaria, lo que veremos no será una IA que sustituye a los radiólogos, sino una herramienta que reduce fricción, prioriza mejor y refuerza la equidad del cribado, especialmente en casos complejos como las mamas densas.
En el fondo, la pregunta que deja este proyecto va más allá de una métrica concreta. Si un hospital público puede desarrollar desde dentro una IA útil y competitiva, quizá el debate ya no sea si la IA debe entrar en la sanidad, sino cuántas soluciones similares podrían estar surgiendo si se tratara a los datos clínicos y a la infraestructura tecnológica como una pieza estratégica del sistema.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
La Newsletter Diaria Sobre Inteligencia Artificial. Además: Portal de Noticias, Tutoriales, Tips y Trucos de ChatGpt, Openai e Inteligencia Artificial.
Nuestra web está alojada en:
