IA detecta cáncer de útero con un análisis de sangre: ¿qué significa para América Latina?

El Servicio Nacional de Salud de Inglaterra (NHS) comenzará a implementar en varios hospitales una prueba de sangre con inteligencia artificial para evaluar el riesgo de cáncer de útero (endometrial) en mujeres posmenopáusicas que presentan sangrado abundante. La prueba, llamada PinPoint, analiza alrededor de 30 marcadores en sangre mediante machine learning y clasifica a las pacientes en riesgo bajo, elevado o alto. Según datos reportados, identifica correctamente el 99,1% de los cánceres como elevados o de alto riesgo, y ofrece un valor predictivo negativo del 99,8% para las mujeres en el grupo de menor riesgo. Cada análisis cuesta aproximadamente 30 libras (unos 35 dólares).

El ensayo clínico que precedió a la adopción incluyó a 16.481 pacientes derivadas por sospecha de cáncer a través de vías de urgencia en Yorkshire. De cada diez mujeres referidas por sangrado abundante, una resultó tener cáncer. La prueba permitiría reducir procedimientos invasivos —como biopsias endometriales— y priorizar los casos más urgentes. El hospital Mid Yorkshire NHS Teaching Trust planea usarla para seis tipos de cáncer ginecológico y gastrointestinal superior, mientras que el Leeds Teaching Hospitals NHS Trust la aplicará específicamente en cáncer ginecológico.

Esta no es la única tecnología en desarrollo. Un estudio publicado en British Journal of Cancer exploró el uso de espectroscopía infrarroja (ATR-FtIR) y Raman en plasma sanguíneo seco y húmedo para detectar cáncer endometrial. Los resultados mostraron una precisión diagnóstica del 82% con Raman en plasma húmedo y del 78% con ATR-FtIR; combinando ambas técnicas, la exactitud subió al 86%. En plasma seco, la espectroscopía ATR-FtIR alcanzó un 83% de acierto. Los investigadores señalan que estos métodos podrían revolucionar el diagnóstico temprano, aunque requieren más validación.

Por su parte, un equipo sueco publicó en eBioMedicine un trabajo donde utiliza sensores de gas potenciados con machine learning para identificar patrones de compuestos orgánicos volátiles en plasma capaces de detectar cáncer de ovario y endometrial en todos los estadios. La tecnología se basa en matrices de sensores que analizan el aliento o muestras de sangre, y el algoritmo clasifica los patrones químicos asociados a cada tipo de cáncer.

¿Qué cambia para América Latina?

Los sistemas de salud latinoamericanos enfrentan dos problemas estructurales: el diagnóstico tardío del cáncer y la falta de acceso a procedimientos especializados. En países como México, Brasil y Colombia, el cáncer endometrial ocupa un lugar relevante entre las neoplasias ginecológicas, pero las tasas de detección temprana siguen siendo bajas. Una análisis de sangre asistido por IA que cuesta menos de 40 dólares podría disminuir la necesidad de ecografías transvaginales y biopsias, que requieren equipos costosos y personal capacitado.

Sin embargo, la adopción en la región no será automática. Para que estas pruebas funcionen, se necesita:

• Validación clínica local: los algoritmos entrenados con poblaciones del Reino Unido o Europa pueden no generalizar bien a poblaciones latinoamericanas debido a diferencias genéticas, metabólicas y epidemiológicas.
• Infraestructura de laboratorio: aunque la prueba es de sangre, requiere procesamiento en laboratorios con capacidad para centrifugación y análisis espectroscópico o de sensores, lo que no está disponible en todos los centros de salud pública.
• Regulación sanitaria: tanto la PinPoint como las técnicas espectroscópicas deben obtener aprobación de agencias regulatorias como ANVISA (Brasil), COFEPRIS (México) o INVIMA (Colombia). El proceso puede tomar años.
• Costos de implementación: el precio por prueba puede parecer bajo, pero si se multiplica por los miles de pacientes sintomáticos, el gasto acumulado puede tensionar presupuestos limitados, especialmente si no hay un reembolso claro por parte de aseguradoras o sistemas públicos.

Datos, privacidad y soberanía

Todas estas tecnologías generan datos personales de salud sensibles. La PinPoint utiliza aprendizaje automático sobre marcadores sanguíneos; los métodos espectroscópicos y de sensores también producen perfiles espectrales que pueden ser únicos para cada paciente. En América Latina, las leyes de protección de datos (como la LGPD brasileña o la Ley de Protección de Datos Personales mexicana) exigen que el tratamiento de información biomédica tenga consentimiento explícito y medidas de seguridad. Si los datos se envían a servidores externos —por ejemplo, a la nube de la empresa desarrolladora—, surge un problema de soberanía de datos y cumplimiento transfronterizo.

Un riesgo adicional es la posibilidad de falsos positivos o negativos. Aunque la PinPoint reporta una sensibilidad del 99,1%, en una población de 90.000 mujeres sintomáticas al año en Inglaterra, eso significa que aproximadamente 810 casos podrían pasar desapercibidos si la prevalencia es del 10%. En contextos con menor infraestructura de seguimiento, esos errores pueden tener consecuencias graves. Por eso, cualquier implementación en la región debe incluir un plan de verificación secundaria y garantía de calidad.

El costo de no actuar

Si América Latina no invierte en la validación y adopción de estas herramientas, corre el riesgo de profundizar la brecha tecnológica con los países desarrollados. Mientras el NHS ya está desplegando la prueba y hospitales españoles comienzan a usar biopsias líquidas para varios cánceres, la región podría quedar rezagada en diagnóstico temprano. Pero apresurarse sin la debida infraestructura regulatoria y de laboratorio también puede generar desconfianza y fracasos costosos.

La pregunta para los ejecutivos de salud y tecnología en Latinoamérica no es si estas pruebas llegarán, sino cómo preparar el terreno: generar datos locales, capacitar personal, adecuar marcos normativos y establecer alianzas con desarrolladores. Quien lo haga con planificación podría reducir la mortalidad por cáncer endometrial y, de paso, aliviar la presión sobre sistemas hospitalarios saturados.