México enfrenta una brecha crítica en la detección temprana del cáncer de mama: 674 médicos certificados para atender a cerca de 20 millones de mujeres en edad de detección. Cada especialista evalúa entre 5,000 y 7,000 estudios al año, una carga que compromete la precisión diagnóstica y retrasa la atención en casos urgentes. Ante este déficit estructural, investigadores del Centro de Investigación en Computación del Instituto Politécnico Nacional desarrollaron un sistema de inteligencia artificial diseñado para establecer un orden de prioridad en la revisión de mamografías antes de que el médico las interprete.

Cómo funciona el sistema de priorización

El sistema opera mediante módulos integrados que analizan automáticamente los estudios disponibles en un periodo determinado. Cada mamografía pasa por un proceso que incluye la identificación de regiones anatómicas, la clasificación de densidad mamaria y la detección de características asociadas a posibles lesiones. Paralelamente, el sistema incorpora datos clínicos del paciente: antecedentes familiares y personales de cáncer, uso de terapia hormonal e índice de masa corporal.

Con base en este análisis multimodal, el sistema genera una estimación de riesgo —bajo, medio o alto— y organiza los estudios en una cola de revisión priorizada. El resultado no es un diagnóstico: es una herramienta de triaje que permite al especialista identificar rápidamente qué casos requieren atención inmediata, sin sustituir el juicio clínico.

Implicaciones para la gestión de servicios de salud

Desde una perspectiva operativa, la propuesta aborda un cuello de botella con consecuencias directas en resultados clínicos y eficiencia institucional. Al automatizar la clasificación inicial, el sistema redistribuye el tiempo del especialista hacia los casos de mayor riesgo, lo que puede reducir el intervalo entre la toma del estudio y la detección de una lesión significativa.

El proyecto está liderado por el doctor José Eduardo Valdez Rodríguez, investigador del CIC, con la asesoría de la médica radióloga Lourdes Noemí Santos Aragón, especialista en imagen de mama. La base de datos de entrenamiento incluye estudios de aproximadamente 700 pacientes mexicanas, obtenidos en colaboración con el Centro Médico ABC y el Instituto de Seguridad Social, lo que orienta el modelo hacia las características poblacionales del contexto nacional.

Escalabilidad y contexto regulatorio

Para instituciones con alto volumen de estudios —hospitales públicos de tercer nivel, redes de clínicas de detección temprana— un sistema de este tipo representa una palanca de eficiencia sin incremento proporcional de personal. Sin embargo, su adopción a escala requiere validación clínica rigurosa, integración con sistemas de gestión de imágenes médicas (PACS/RIS) y claridad regulatoria sobre la responsabilidad diagnóstica cuando la IA interviene en el flujo de trabajo.

El desarrollo del CIC se suma a una tendencia global: según datos de la industria, más de 100 herramientas de IA para análisis de imágenes médicas han recibido autorización de la FDA en los últimos cinco años, aunque la mayoría opera como soporte a la decisión clínica, no como reemplazo. En México, el marco regulatorio para este tipo de dispositivos médicos de software aún está en construcción, lo que representa tanto un riesgo de adopción como una ventana de posicionamiento para instituciones que lideren la implementación.