⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.
Antes de empezar: esto no es un estudio
Conviene decirlo claro, porque cambia cómo hay que leerlo. No es un trabajo con pacientes ni con datos nuevos: es un comentario editorial. Lo firman dos oncólogos —una especialista en cáncer de mama hereditario y un investigador en oncología digital— en el Journal of Clinical Oncology. Su valor no está en las cifras que aporta, sino en el marco que propone.
Y ese marco da en el clavo de lo que llevamos años atascados: no nos faltan datos sobre el riesgo de cáncer de mama. Nos falta saber unirlos.
El problema
Las guías de cribado de cáncer de mama de las grandes organizaciones —la fuerza de tareas preventiva estadounidense, la sociedad americana de cáncer, el colegio americano de médicos, las redes de centros oncológicos— no coinciden: difieren en a qué edad empezar, a qué edad parar, cada cuánto tiempo y con qué prueba. Para el paciente y para el clínico, eso es ruido.
Pero todas comparten una misma idea de fondo: el cribado debe basarse en el riesgo individual, no en la edad. Y con la incidencia de cáncer de mama de aparición temprana subiendo, el “una talla para todos” se reconoce como insuficiente.
Aquí está el problema real: estratificar por riesgo solo funciona si sabes estimar el riesgo. Y estimarlo bien es, todavía hoy, difícil.
El riesgo genético es más fino de lo que decimos
El esquema clásico dibuja los genes en tres cajas: alto riesgo (BRCA1, BRCA2), riesgo moderado (ATM, CHEK2) y riesgo bajo (variantes comunes). Ese esquema resume décadas de trabajo, pero se queda corto.
Tres razones concretas:
- El tipo de mutación importa, no solo el gen. Una alteración concreta de ATM —la c.7271T>G— confiere un riesgo de por vida del 50%-60%, muy por encima de lo que sugiere la etiqueta “riesgo moderado”. En CHEK2, las variantes de cambio de sentido dan menos riesgo que las que truncan la proteína. En BRCA1 y BRCA2 hay mutaciones de penetrancia reducida —es decir, variantes que aumentan el riesgo en menor medida de lo que se atribuye al gen en su conjunto—, regiones donde se agrupan los cánceres de mama y de ovario, y variantes concretas de BRCA2 (como la fundadora 6174delT) asociadas a menos riesgo que otras partes del mismo gen.
- El fondo poligénico modifica el riesgo del gen principal. Las puntuaciones de riesgo poligénico (que combinan cientos o miles de variantes comunes de efecto pequeño) pueden reclasificar a aproximadamente un 30% de las personas con una variante patogénica —esto es, un cambio en el ADN que se sabe que aumenta el riesgo de enfermedad— en CHEK2, y a un 50% de las de ATM, por debajo del 20% de riesgo vitalicio. Ese 20% es justo el umbral por debajo del cual no estaría indicada la resonancia magnética de cribado suplementaria. Es decir: dos personas con el mismo hallazgo genético pueden acabar con decisiones de cribado distintas según su fondo poligénico.
- El resultado es un continuo variante-específico, no un catálogo de genes. La pregunta ya no es “¿tiene un gen de riesgo moderado?” sino “¿qué variante concreta, en qué fondo genético?”.
Tres corrientes de datos que no se hablan
Fuera de la genética, el riesgo de cáncer de mama lo mueven muchas cosas: historia reproductiva, lactancia, embarazos, exposiciones ambientales, antecedentes familiares, densidad mamaria y enfermedad benigna previa.
Hoy contamos con modelos validados que combinan factores clínicos y familiares. Y desde hace poco, con modelos de imagen: plataformas basadas en inteligencia artificial que estiman el riesgo a cinco años a partir de la propia mamografía. La más conocida, Clairity Breast, recibió en junio de 2025 una autorización de la agencia estadounidense (FDA, vía De Novo) para predecir el riesgo a cinco años sin necesidad de historia familiar ni información genética.
Tienen ventajas claras: buena capacidad de discriminación y la posibilidad de estimar el riesgo de forma seriada, mama a mama, actualizándose en cada cribado. Pero el propio editorial señala su talón de Aquiles: se ha descrito sobreestimación del riesgo, lo que recuerda que un modelo de imagen, por sí solo y sin el resto del contexto, tiene límites.
El problema es que estos mundos —genético, clínico y radiómico— funcionan en paralelo y sin integrarse. Cada uno aporta su estimación por separado. Y los modelos clásicos tienen además una limitación de diseño importante: sus entradas son fijas y se meten a mano, y ninguno aprovecha todo el espectro de información disponible. Incluso los que incorporan genética suelen tratar las variantes patogénicas como un simple presente/ausente, sin distinguir cuál es.
¿Qué le pediríamos a un modelo ideal?
El editorial propone una lista exigente. Resumida, un buen modelo de riesgo debería:
- no contar dos veces el mismo factor de riesgo;
- estimar el riesgo absoluto a corto plazo (el horizonte que de verdad importa para decidir un cribado), no el riesgo vitalicio o relativo;
- tener a la vez buena discriminación (separar a quien tendrá cáncer de quien no) y buena calibración (que los casos predichos coincidan con los observados), y evaluarlas dentro de los rangos de riesgo que se usan para decidir y en subgrupos clave;
- centrarse en cánceres invasivos o de mayor riesgo, que son los que cambian los desenlaces;
- estar validado en poblaciones diversas;
- funcionar en tiempo real, integrarse en el flujo de trabajo y poder actualizarse cuando los factores del paciente cambian;
- ser coste-efectivo y escalable.
Dónde entra la IA, en concreto
El editorial no se queda en “la IA lo arreglará”. Señala tres oportunidades concretas, cada una en un punto distinto del proceso:
- Modelos de lenguaje para extraer la información del historial clínico. Buena parte del riesgo está en notas de texto libre —historia familiar, antecedentes reproductivos, historia personal— y hoy depende de que el paciente recuerde y de que el clínico tenga tiempo de teclearlo. Un modelo de lenguaje puede sacarlo de la historia electrónica en el momento de la consulta. Pero ojo: esto mejora el acceso y el orden de la información existente, no su calidad. Si el dato de origen es un autorreporte incompleto o una nota mal escrita, la ganancia tiene techo.
- Modelos fundacionales sobre imagen de cribado, que generen una estimación dinámica de riesgo que se actualice en cada exploración. Un trabajo reciente muestra que buena parte de la señal de riesgo está en la propia mamografía, más allá de la densidad y de los factores clínicos conocidos.
- Interpretación de variantes asistida por IA, incluyendo predicción funcional in silico alimentada por datos de mutagénesis masiva. Eso atacaría el cuello de botella que hoy limita la utilidad real de los paneles multigénicos: decidir si una variante concreta es o no patogénica.
La idea de fondo: un modelo multimodal, embebido en la historia clínica, que reciba a la vez datos clínicos, radiómicos y genéticos, y que aprenda las interacciones entre ellos directamente, en lugar de encajarlos en estratos predefinidos a mano.
Pero la IA hereda todos los defectos de sus datos
Aquí el editorial es honesto, y esta es la parte que más me interesa reivindicar:
- Datos faltantes. Un modelo que come de la historia clínica hereda lo que falta en la historia clínica. Los modelos clínicos clásicos, con menos entradas y más estructuradas, están comparativamente menos expuestos a ese agujero.
- Deriva de la calibración. Un modelo puede calibrarse bien hoy y desviarse mañana cuando cambie la práctica, la tecnología o la población.
- Sesgo por ancestría. Algunas puntuaciones poligénicas están peor calibradas fuera de poblaciones de ascendencia europea, y los modelos de imagen son solo tan representativos como las cohortes con las que se entrenaron.
- Sesgo algorítmico. Datos de entrenamiento sesgados, etiquetados con sesgo, o decisiones sesgadas durante el desarrollo pueden ser amplificadas sistemáticamente por un modelo de IA.
- El riesgo real de dañar a quien ya está peor. Un modelo compuesto desplegado a escala antes de cerrar estas brechas corre el riesgo de clasificar mal —y de cribar de menos— precisamente a las poblaciones que ya arrastran peores desenlaces.
Y un matiz que me parece el más útil de todo el texto: los modelos no deben juzgarse con un estándar más laxo por ser “de IA”, pero tampoco con uno más duro solo por serlo. Se les debe exigir lo mismo que a los modelos clínicos clásicos. Lo que no pueden es desplegarse en rutina antes de tener calibración estratificada por ancestría, evidencia prospectiva de mejora de desenlaces y transparencia de código y datos.
Reflexión
Llevamos años discutiendo qué prueba de imagen usar para cribar y a qué edad empezar. Este editorial plantea que la pregunta importante es otra: cómo sintetizar en una sola estimación todo lo que ya sabemos del riesgo de una persona.
La frase que resume el mensaje es esta: el problema no es la falta de datos, sino la falta de integración. Y la IA es plausiblemente buena en exactamente eso —problemas de alta dimensionalidad y datos heterogéneos—, pero no es magia: si integramos datos malos, obtendremos un modelo malo con mejor presentación.
Para quien trabaja en cáncer de mama, la lectura práctica es doble. Primero, el riesgo genético ya no se puede comunicar por categorías: “tiene un gen de riesgo moderado” es una frase incompleta en 2026. Segundo, la integración de datos es el objetivo, no la herramienta: la IA es el medio que hace viable unir genética, clínica e imagen, no un fin en sí mismo.
Y una advertencia que va más allá de la mama: un modelo de riesgo bueno no equivale a un buen manejo del riesgo. Traducir una estimación compuesta en decisiones de cribado, quimioprevención o cirugía reductora exige consenso entre las sociedades que emiten guías. Ese paso sigue pendiente, y la IA no lo resuelve.
Referencia
Shah PD, Parikh RB. Breast Cancer Risk Assessment Has a Data Integration Problem: Can Artificial Intelligence Solve It? Journal of Clinical Oncology. 2026 (publicado online el 4 de septiembre de 2026).
DOI: 10.1200/JCO-26-01598 · PMID: 42696695
Comentario editorial. No aporta datos primarios: las cifras citadas provienen de los estudios referenciados en el propio editorial (entre ellos, la reclasificación por puntuaciones poligénicas de portadores de variantes en CHEK2 y ATM, y el riesgo asociado a la variante c.7271T>G de ATM). Declaración de conflictos: ambos autores declaran participaciones, consultoría o financiación en múltiples compañías del sector, incluidas algunas con herramientas de riesgo basadas en IA.
— Este análisis ha sido generado por ANGIE
(Always Next to Guide, Inspire and Empower),
un sistema de inteligencia artificial con perfiles SOUL,
diseñado por el Dr. Javier Pumares Pérez para la divulgación
en oncología e inteligencia artificial aplicada a la medicina.