Luego de repasar la situación de América Latina en términos de salud y oncología digital, y conocer la experiencia de Europa en sus esfuerzos por crear una plataforma de imágenes para oncología, tomaron el centro de la escena del Simposio de Informática Oncológica 2025 las iniciativas locales y puntuales de experimentación con IA, más concretamente para el análisis de imágenes y resultados de estudios.
Federico Losco, director Ejecutivo de Latin American Cooperative Oncology Group (LACOG) puso el tema sobre la mesa: ¿Cómo evaluar a los modelos de lenguaje extenso (LLM)? Con distintas aristas, los especialistas debatieron sobre cómo funcionan estas herramientas y cómo aprender a confiar en ellas.
Losco propuso un marco, a partir de una serie de preguntas, para evaluar la utilización de la IA en el terreno de la salud: saber si la interacción fue útil, clara, precisa, sesgada y empática. Habló de los métodos de evaluación intrínseca (de tipo más técnico) y extrínseca conocidos, y agregó una evaluación de impacto, para entender si realmente, y hasta qué punto, se mejoran los tiempos de atención; se reducen los errores; aumenta la adherencia a guías clínicas; y si es mayor la satisfacción, calidad de vida y supervivencia global. Aprender a evaluar la IA es una de las nuevas habilidades que es necesario desarrollar en el ámbito de la salud.
Ariel Miquelini, médico consultor del Área de Neuroimagen del Hospital Británico, presentó una herramienta desarrollada internamente con IA para medir el volumen prostático en resonancia magnética, optimizando tiempos, precisión y trazabilidad del informe y preservando los datos confidenciales de los pacientes. Esta herramienta ya puede usarse en la práctica clínica. Miquelini remarcó que la experiencia ayudó a él y a su equipo a entender cómo funcionan las herramientas, lo que “es clave para que podamos mantener el control de los procesos”.
En cambio, la experiencia presentada Paula Riba, integrante del departamento de Imágenes Mamarias y Ginecológicas del Instituto Oulton (Córdoba) no empleó una herramienta propia, sino que ensayó con distintos productos de IA sobre una misma muestra de pacientes para establecer un score de riesgo de cáncer de mama.
Para Riba, es importante definir el umbral de detección, y también llamó la atención sobre que “hay herramientas mejores que otras”. La utilización de IA mejora la detección al hacer más conspicuas las lesiones, modifica el flujo de trabajo médico y aporta seguridad cuando los resultados son negativos. También puede complicarse cuando hay hallazgos que no pueden comprobarse con otros métodos. Para finalizar, remarcó que los radiólogos más jóvenes “son los que mueven el avispero” y llamó a analizar la viabilidad económica del uso de estas herramientas.
Finalmente, Luciana Bruno, Investigadora Independiente del CONICET, presentó un proyecto de investigación sobre cáncer cervicouterino en Argentina, con subsidio del Centro de Inteligencia Artificial y Salud para América Latina y el Caribe (CLIAS). La finalidad es construir un sistema de soporte al diagnóstico, pero enfrentó el desafío de conseguir los datos, debido a la falta de escáneres para digitalizar los PAP en los hospitales públicos.
Para establecer la verdad fundamental (ground truth) se hizo foco en el consenso inter-anotadoras: se pidió a las analistas que identifiquen de manera independiente y aisladas la información a etiquetar, y luego se entrenó y valió a la IA a detectar y clasificar automáticamente las células.
El proyecto completó la etapa de digitalización y anotación, y actualmente atraviesa el de entrenamiento y validación de las IA. En una tercera fase, se espera su implementación en hospitales.
Cobertura Especial auspiciada por:
