Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
El cáncer de pulmón continúa siendo la principal causa de mortalidad por neoplasias a nivel mundial, con un impacto particularmente devastador reflejado en las cifras del proyecto GLOBOCAN, que estiman alrededor de 1.8 millones de muertes anuales atribuibles1 A pesar de los avances diagnósticos y terapéuticos alcanzados en las últimas décadas, persisten múltiples limitaciones estructurales en los enfoques convencionales, los cuales han mostrado una eficacia desigual frente a la complejidad biológica de los tumores pulmonares.
Desde una perspectiva diagnóstica, los esquemas tradicionales muestran una capacidad limitada para captar la heterogeneidad molecular y la complejidad clonal que caracterizan al carcinoma pulmonar, especialmente en sus fases más tempranas. Esta insuficiencia se traduce en evaluaciones incompletas que comprometen la precisión pronóstica y restringen el diseño de estrategias terapéuticas personalizadas2. Al abordar el tratamiento, las terapias estandarizadas tienden a enfocarse en los clones tumorales dominantes, ignorando subpoblaciones resistentes que, aunque inicialmente minoritarias, poseen un alto potencial de supervivencia y recurrencia tumoral, como lo han evidenciado estudios recientes3.
Tal dificultad estructural no puede desligarse del carácter profundamente heterogéneo del cáncer pulmonar. La heterogeneidad intratumoral en el carcinoma no microcítico de pulmón (NSCLC) facilita la capacidad adaptativa del tumor, promueve su diseminación metastásica y permite la evasión inmunológica, todo lo cual plantea desafíos importantes para el diseño de terapias dirigidas eficaces4. A esta variabilidad se suma una complejidad genética de tipo espacial y temporal que conduce a la aparición de mutaciones en ramas evolutivas divergentes, generando resistencia terapéutica y favoreciendo la progresión metastásica5. La heterogeneidad no se limita al interior del tumor, sino que también se manifiesta entre y dentro de los subtipos histológicos, como se ha observado en las variantes moleculares del carcinoma microcítico (SCLC), cuyas diferencias minan la aplicabilidad de enfoques terapéuticos estandarizados6. Por otra parte, el uso predominante de datos de secuenciación masiva para la identificación de biomarcadores suele excluir subclones raros, lo cual reduce la capacidad predictiva de los modelos actuales y limita el alcance de las terapias dirigidas7.
Frente a estas limitaciones, la Inteligencia Artificial (IA) ha emergido como una herramienta de transformación radical en la medicina contemporánea. Su desarrollo ha transitado desde modelos basados en reglas hasta estructuras complejas de aprendizaje profundo, permitiendo simular procesos cognitivos humanos mediante algoritmos adaptativos8. En el contexto del cáncer pulmonar, el aprendizaje automático ha demostrado una capacidad significativa para mejorar la precisión diagnóstica y optimizar los procesos clínicos. Los modelos de aprendizaje supervisado, como las redes Neuronales Convolucionales (CNN), han sido especialmente eficaces en el análisis de imágenes médicas, incrementando la sensibilidad y especificidad en la identificación de lesiones malignas9. Paralelamente, métodos de aprendizaje débilmente supervisado, tales como el aprendizaje por múltiples instancias y los Transformadores Visuales (ViTs), han ampliado la posibilidad de realizar predicciones precisas incluso en ausencia de grandes volúmenes de datos etiquetados, lo cual resulta particularmente útil en escenarios clínicos donde el etiquetado exhaustivo no es factible10.
Por su parte, los enfoques no supervisados, como el aprendizaje autosupervisado, han ofrecido soluciones innovadoras para la detección de patrones en conjuntos de datos no estructurados, contribuyendo a una mejora sustancial en la precisión diagnóstica sin depender de anotaciones humanas9. La arquitectura de los transformadores ha permitido, además, una fusión multimodal de datos provenientes de diferentes técnicas de imagen médica, mejorando la capacidad de diagnóstico a través de una integración más completa de la información clínica y radiológica10. Estos avances se inscriben en un proceso más amplio de incorporación de la IA en disciplinas como la radiología y la patología, donde el uso combinado de modelos de lenguaje de gran escala (LLMs) y datos de imagen ha refinado sustancialmente la eficacia diagnóstica8. No menos relevante es el desarrollo de sistemas de IA generalista, los cuales buscan construir marcos integrales que consideren la complejidad del proceso oncológico en su conjunto, orientados a mejorar la toma de decisiones clínicas a través del análisis transversal de datos clínicos, genómicos e imagenológicos11.
En este escenario de evolución acelerada, resulta indispensable mantener una mirada crítica y matizada frente a las promesas de la inteligencia artificial en oncología. La rápida expansión de modelos algorítmicos aplicados al cáncer pulmonar, junto con la falta de evaluaciones críticas que integren resultados recientes con avances previos, hace necesario analizar la evidencia disponible, ya que los desarrollos actuales modifican de manera continua la práctica clínica y generan incertidumbres sobre validez, seguridad y aplicabilidad real en escenarios asistenciales.
En ese marco, el objetivo de este estudio es analizar el impacto transformador de la inteligencia artificial en el abordaje integral del cáncer de pulmón, evaluando sus aplicaciones diagnósticas, terapéuticas y pronósticas, así como las barreras, metodológicas, sociales y regulatorias que condicionan su implementación clínica durante 2021 y 2025. Esta evaluación crítica es necesaria para garantizar una adopción ética, equitativa y clínicamente pertinente de tecnologías algorítmicas en un campo de alta complejidad biomédica.
Metodología
Se diseñó una revisión narrativa con el objetivo de examinar la emergencia e implementación de la inteligencia artificial en la oncología pulmonar. La búsqueda se enfocó en estudios publicados entre 2015 y 2024, consultando bases de datos especializadas como PubMed, Scopus, Web of Science e IEEE Xplore. Se utilizaron términos MeSH y palabras clave como lung cancer, artificial intelligence, machine learning, deep learning, radiomics, precision oncology y clinical decision support systems.
Fuentes de información
En la revisión se distinguieron dos tipos de fuentes según su naturaleza metodológica y propósito científico. Las fuentes primarias correspondieron a investigaciones originales que aplicaron modelos de inteligencia artificial en contextos clínicos de cáncer de pulmón, ya fuera en etapas de cribado, diagnóstico, pronóstico o tratamiento. En total se analizaron 16 fuentes primarias, que ofrecieron datos empíricos provenientes de ensayos clínicos, cohortes retrospectivas y estudios observacionales con aplicación directa de algoritmos.
Las fuentes secundarias, en cambio, incluyeron revisiones narrativas, metaanálisis, artículos de posicionamiento, guías metodológicas y documentos normativos que aportaron contexto conceptual, técnico o ético al fenómeno de estudio. Se consideraron 12 fuentes secundarias, seleccionadas por su relevancia en la discusión sobre integración de inteligencia artificial en oncología, validez metodológica y reconocimiento editorial.
Criterios de inclusión y exclusión
Se incluyeron artículos originales publicados en inglés o español, que aplicaran modelos de inteligencia artificial en cualquiera de las fases del manejo clínico del cáncer pulmonar, incluyendo cribado, diagnóstico, pronóstico, tratamiento y seguimiento. Solo se consideraron publicaciones con validez metodológica explícita, conforme a guías reconocidas como TRIPOD, CONSORT-AI o STARD-AI.
El análisis de contenido se realizó mediante una revisión de los textos incluidos, con evaluación estructurada de narrativas, identificación de patrones temáticos recurrentes y clasificación de hallazgos según su contribución al diagnóstico, tratamiento y pronóstico, utilizando una lectura crítica orientada a determinar coherencia metodológica, solidez de resultados y aplicabilidad clínica en el contexto de la oncología pulmonar.
Se excluyeron estudios sin revisión por pares, trabajos centrados en otros tipos de cáncer sin datos específicos sobre cáncer pulmonar y reportes con aplicaciones experimentales no validadas clínicamente.
La búsqueda inicial en Scopus, PubMed e IEEE Xplore arrojó un total de 141 registros, distribuidos de la siguiente manera: Scopus (47), PubMed (29) e IEEE Xplore (65). La amplitud de la recuperación refleja tanto la diversidad de aproximaciones como la creciente penetración de la inteligencia artificial en oncología pulmonar. Este volumen inicial incluyó una proporción considerable de duplicados y artículos de baja pertinencia, hallazgo que concuerda con lo descrito en revisiones sistemáticas previas en campos emergentes de la medicina digital.
La eliminación automática de duplicados mediante Zotero permitió excluir 21 registros, dejando 120 artículos únicos para la siguiente fase. Este procedimiento redujo sesgos derivados de la repetición bibliográfica y aseguró que cada estudio fuera evaluado una sola vez, conforme a las recomendaciones PRISMA 2020.
Posteriormente, el cribado de títulos y resúmenes condujo a la exclusión de 22 artículos, reduciendo la muestra a 98 documentos. Los principales motivos fueron: ausencia de aplicación clínica directa en cáncer pulmonar, carácter exclusivamente teórico, metodologías insuficientes o enfoques centrados en patologías distintas.
En la etapa de lectura de texto completo, se analizaron 98 estudios, de los cuales 6 no pudieron ser accedidos por limitaciones editoriales. Los 92 artículos restantes fueron evaluados con criterios predefinidos de pertinencia temática, calidad metodológica, descripción adecuada de población y consistencia en la aplicación de IA en el continuum asistencial del cáncer pulmonar.
Tras esta evaluación crítica, 64 estudios fueron excluidos por presentar resultados marginales, baja calidad metodológica o falta de aplicabilidad clínica. Finalmente, 28 artículos cumplieron con todos los criterios de inclusión y constituyen la base de la revisión narrativa que se presenta a continuación(Figura 1).
Desarrollo
La inteligencia artificial a lo largo del continuum asistencial de la oncología pulmonar
La irrupción de la inteligencia artificial en la medicina oncológica, particularmente en el abordaje del cáncer de pulmón, representa un cambio paradigmático que no puede pasar desapercibido. Se ha documentado una evolución acelerada de sus aplicaciones, las cuales han comenzado a permear con creciente solidez las distintas fases del proceso clínico, desde la prevención hasta el seguimiento terapéutico, desafiando los límites tradicionales de la medicina basada en la experiencia individual del clínico12. En la práctica, la inteligencia artificial ya colabora en la personalización de tratamientos mediante algoritmos que permiten optimizar las estrategias terapéuticas y vigilar la respuesta de los pacientes con un grado de precisión antes inalcanzable13. Del mismo modo, su implementación en el seguimiento longitudinal ha permitido anticipar recaídas o complicaciones a través de modelos predictivos, afinando así los esquemas de control posoperatorio o postratamiento10.
Uno de los territorios más fértiles para el despliegue de estas herramientas ha sido la prevención primaria, donde se observa una creciente integración de datos provenientes del exposoma digital y conductual. La capacidad de captar, a través de sensores ambientales y patrones de comportamiento, hábitos como el consumo de tabaco en tiempo real, abre una vía prometedora hacia la comprensión contextualizada de factores de riesgo14. Sin embargo, no puede ignorarse que la incidencia del cáncer pulmonar continúa modulada por patrones socioeconómicos que determinan tanto el acceso a recursos de salud como la prevalencia de hábitos nocivos, lo cual exige que cualquier aproximación preventiva sea sensible a tales disparidades15.
El esfuerzo por integrar determinantes genéticos y ambientales en modelos de riesgo ha ganado solidez gracias al uso de puntuaciones poligénicas potenciadas mediante algoritmos de aprendizaje automático. Estos modelos permiten diseñar estrategias preventivas personalizadas al contemplar predisposiciones genéticas individuales junto con exposiciones ambientales acumuladas16. No obstante, la eficacia de estas herramientas depende de la representatividad de las poblaciones que las nutren. Cuando los datos genómicos provienen de cohortes homogéneas, existe el riesgo de producir sesgos que limiten la aplicabilidad clínica de los modelos en poblaciones genéticamente diversas17.
El ámbito del cribado y la detección precoz, particularmente en el uso de tomografía computarizada de baja dosis, ha experimentado avances sustanciales con la implementación de algoritmos automatizados capaces de detectar nódulos pulmonares con una sensibilidad comparable o incluso superior a la de los métodos tradicionales. Aunque persisten limitaciones contextuales en casos atípicos, los resultados actuales son alentadores en términos de reducción de falsos positivos y optimización del flujo diagnóstico18,19. La capacidad de estos algoritmos para identificar precozmente el cáncer ha sido validada mediante su aplicación en programas de cribado, donde han demostrado mejorar la tasa de diagnósticos tempranos20. Dentro de esta lógica, el modelo Sybil, basado en datos longitudinales de imagenología, constituye un ejemplo paradigmático de predicción temporal del riesgo, ya que permite ajustar los intervalos de cribado en función de perfiles individuales, con claras implicancias en la asignación racional de recursos sanitarios21,22.
De forma complementaria, estos sistemas han facilitado la detección oportunista de comorbilidades asociadas al tabaquismo, como el enfisema o la calcificación arterial coronaria, a partir de las mismas exploraciones por tomografía utilizadas en el cribado oncológico. La valoración simultánea de estas patologías contribuye a una gestión integral del paciente, alineándose con una medicina que busca trascender el enfoque puramente tumoral23,24.
En el terreno del diagnóstico de precisión, se observa una confluencia inédita entre la radiómica, la patología digital y la genómica computacional. Las técnicas de radiómica han demostrado su capacidad para inferir perfiles genéticos de los tumores, incluyendo mutaciones en genes impulsores como EGFR o ALK, mediante el análisis fenotípico no invasivo de imágenes, lo cual amplía la posibilidad de realizar un perfil genético sin necesidad de biopsias25. Además, la identificación de biomarcadores inmunológicos desde imágenes médicas empieza a perfilarse como una herramienta útil en la selección de terapias inmunomoduladoras26. La patología computacional, por su parte, ha ido más allá de la descripción morfológica para ofrecer inferencias moleculares a partir de patrones histológicos digitalizados, aportando así datos clave sobre la heterogeneidad tumoral que informan decisiones terapéuticas más refinadas27.
La integración multimodal de datos clínicos, radiológicos y patológicos en modelos diagnósticos unificados promete una evaluación más completa del paciente, aunque no está exenta de dificultades. La armonización de modalidades con escalas temporales y espaciales dispares sigue siendo un desafío técnico y metodológico relevante19,28.
La estratificación pronóstica y la predicción de respuesta terapéutica constituyen, probablemente, uno de los ámbitos donde la inteligencia artificial ha mostrado mayor potencial transformador. Modelos basados en características tumorales profundas han permitido generar predicciones más precisas sobre la supervivencia, facilitando así la individualización de las estrategias terapéuticas23. En paralelo, se ha avanzado en la predicción de respuesta a inmunoterapias y terapias dirigidas mediante el uso de biomarcadores compuestos, que superan las limitaciones de los criterios convencionales y abren nuevas vías para la medicina personalizada24. La identificación de patrones de resistencia, tanto primarios como adquiridos, resulta crucial para ajustar dinámicamente las terapias y anticiparse al fracaso clínico29.
No menos importante es la anticipación de toxicidades, un aspecto tradicionalmente difícil de prever. La modelización del riesgo de eventos adversos graves, como neumonitis, cardiotoxicidad o hiperprogresión, ha mejorado gracias a los sistemas de predicción algorítmica, permitiendo un análisis más matizado de la relación riesgo-beneficio antes de iniciar un tratamiento21,22.
Barreras para la implementación clínica de la inteligencia artificial en la oncología pulmonar
La implementación clínica de la inteligencia artificial en oncología pulmonar se encuentra atravesada por una serie de obstáculos que no pueden ser abordados desde una única dimensión técnica, sino que requieren una aproximación crítica, informada por múltiples saberes. En nuestra experiencia, al intentar integrar herramientas algorítmicas en escenarios asistenciales reales, se torna evidente que no basta con demostrar eficiencia operativa. Las barreras que surgen son de orden epistemológico, metodológico, social y regulatorio, y cada una plantea desafíos específicos que, lejos de ser aislados, se retroalimentan de manera compleja.
Uno de los puntos más problemáticos reside en la crisis de interpretabilidad que acompaña a muchos desarrollos en inteligencia artificial. La opacidad algorítmica, resultado de arquitecturas cada vez más complejas como las redes neuronales profundas, compromete la trazabilidad de las decisiones clínicas sugeridas por estos sistemas. Tal limitación obstaculiza la confianza del personal médico, cuya práctica depende en gran medida de la comprensión clara y justificada de cada recomendación diagnóstica o terapéutica30,31.
A estas limitaciones epistemológicas se suma un conjunto de deficiencias metodológicas que comprometen la validez externa de muchos estudios sobre inteligencia artificial en oncología. La heterogeneidad en los protocolos de entrenamiento, con conjuntos de datos que rara vez reflejan la diversidad clínica de los pacientes, introduce sesgos que minan la generalización de los modelos en contextos distintos de aquellos para los cuales fueron diseñados32,33. Esta fragmentación se ve agravada por una preocupante laxitud en el cumplimiento de estándares de reporte y directrices para ensayos clínicos con inteligencia artificial, lo cual dificulta la replicación de resultados y erosiona la confianza en la evidencia publicada34.
Además, la implementación de inteligencia artificial en oncología pulmonar no puede desligarse de sus implicancias en términos de equidad. Las evidencias acumuladas indican que los modelos actuales tienden a reproducir, e incluso amplificar, disparidades ya existentes en función de variables raciales, socioeconómicas y geográficas35. Estas inequidades no surgen exclusivamente del sesgo en los datos de entrenamiento, aunque este constituye un factor relevante, sino también de la ausencia de marcos normativos sensibles a las diferencias estructurales en el acceso y uso de tecnologías médicas. La justicia distributiva en la implementación de IA no puede reducirse a una cuestión técnica; se trata, más bien, de un imperativo normativo que obliga a rediseñar los procesos de adopción tecnológica bajo principios de inclusión y equidad36.
El marco regulatorio constituye, por su parte, una de las dimensiones menos desarrolladas en relación con la velocidad de innovación algorítmica. Los sistemas regulatorios actuales, en su mayoría diseñados para productos médicos estáticos, no están preparados para abordar la naturaleza adaptativa y evolutiva de los algoritmos de aprendizaje automático37.
La falta de mecanismos de vigilancia postcomercialización, así como de estrategias dinámicas de evaluación regulatoria, representa una carencia urgente que requiere atención prioritaria si se aspira a un despliegue seguro y éticamente justificado de la inteligencia artificial en el ámbito clínico38.
Discusión
Los hallazgos apoyan que la inteligencia artificial (IA) aporta valor a lo largo del continuo asistencial del cáncer de pulmón, aunque su impacto en desenlaces clínicos duros sigue condicionado por la calidad de los datos, la validez externa y la gobernanza de su implementación12,13.
En prevención y cribado, la integración de exposoma digital y patrones conductuales permite capturar riesgos dinámicos, pero su utilidad poblacional depende de abordar gradientes socioeconómicos que modulan la incidencia y el acceso14,15. Las puntuaciones poligénicas potenciadas por aprendizaje automático son prometedoras para estrategias personalizadas, con el reto crítico de la representatividad de las cohortes para evitar sesgos en poblaciones diversas16,17.
En detección precoz, los algoritmos aplicados a LDCT han reducido falsos positivos y optimizado el flujo diagnóstico, con indicios de aumento de diagnósticos en estadio temprano. Aun así, persisten incertidumbres sobre generalización, umbrales operativos y riesgo de sobrediagnóstico no cuantificado de forma consistente18-20. Modelos longitudinales de riesgo como Sybil abren la puerta a intervalos de cribado adaptativos y asignación más eficiente de recursos, lo que requiere evaluación prospectiva de seguridad y costo efectividad21,22.
En diagnóstico de precisión, la convergencia de radiómica, patología computacional y genómica computacional permite inferir perfiles moleculares y biomarcadores inmunológicos a partir de imágenes, con potencial para reducir biopsias en contextos seleccionados25-27. El principal cuello de botella es metodológico: armonización intercentro, control de efectos de lote y fusión de modalidades con escalas temporo espaciales dispares19,28.
En pronóstico y respuesta terapéutica, los modelos profundos mejoran la estratificación y anticipan respuesta o resistencia, lo que habilita ajustes terapéuticos oportunos. La capacidad de anticipar toxicidades como neumonitis o cardiotoxicidad añade una capa de seguridad, pero exige calibración robusta, umbrales clínicamente interpretables y validación en entornos reales21-24,29. La detección oportunista de comorbilidades en LDCT refuerza un abordaje integral centrado en el paciente23,24.
Las barreras más determinantes son transversales. La opacidad de muchos modelos limita la aceptabilidad clínica y la auditabilidad de decisiones que afectan la seguridad del paciente30,31. Los déficits metodológicos y de reporte comprometen la validez externa y la reproducibilidad, por lo que se requiere estandarización rigurosa, validaciones multicéntricas y métricas de utilidad clínica más allá del AUC, como calibración y análisis de curvas de decisión32-34. La equidad debe integrarse desde el diseño con auditorías de desempeño por subgrupos, mitigación de sesgos y estrategias de despliegue sensibles al contexto35,36. El marco regulatorio necesita vigilancia poscomercialización continua, planes de cambio para modelos adaptativos y evaluaciones dinámicas que acompañen la evolución algorítmica37,38.
En los estudios revisados se identifican como escenarios clínicos seguros para integrar modelos de IA el cribado automatizado con LDCT por su reducción de falsos positivos y mejora del flujo diagnóstico18-20, la predicción longitudinal de riesgo con herramientas como Sybil por su capacidad para ajustar intervalos de cribado según perfiles individuales21,22, y el diagnóstico de precisión mediante radiómica y patología computacional por su aptitud para inferir mutaciones y biomarcadores a partir de imágenes con validez demostrada25-27.
Conclusiones
La inteligencia artificial se presenta como un agente de transformación estructural en el abordaje del cáncer de pulmón, al proponer una reorganización profunda de los procesos clínicos que articulan diagnóstico, tratamiento y seguimiento. Su irrupción no debe leerse únicamente como una evolución tecnológica, sino como una inflexión en la epistemología médica, capaz de tensionar y enriquecer los marcos tradicionales de la toma de decisiones. No obstante, la expectativa transformadora que suscita debe ser moderada por una comprensión crítica de sus condiciones reales de aplicabilidad.
El tránsito hacia modelos asistenciales mediados por inteligencia artificial implica asumir que el conocimiento médico ya no se genera exclusivamente desde la experiencia clínica directa ni desde la evidencia controlada, sino también desde sistemas de inferencia algorítmica cuyo funcionamiento, muchas veces, escapa a los esquemas clásicos de validación. Esta nueva racionalidad médica no reemplaza al juicio clínico, pero lo interpela. Su eficacia dependerá de nuestra capacidad para articular, con precisión y rigor, espacios de colaboración entre intuición experta y análisis automatizado, sin subsumir una en la otra.
Los beneficios operativos observados en el cribado, la predicción pronóstica y la personalización terapéutica son significativos, pero no suficientes para garantizar una integración clínica efectiva. La literatura reciente muestra que la mayor parte de los modelos aún carecen de validación externa robusta y de mecanismos de interpretación compatibles con la lógica de la práctica médica. Además, su adopción enfrenta resistencias culturales comprensibles, en tanto estos sistemas alteran jerarquías epistémicas y flujos de autoridad largamente establecidos en la medicina asistencial.
Un aspecto crítico que no puede ser subestimado es la dimensión ética y distributiva. Los sesgos en los datos de entrenamiento, la escasa representatividad de ciertos grupos poblacionales y la opacidad algorítmica no son externalidades técnicas, sino manifestaciones de decisiones estructurales que afectan directamente la equidad del cuidado. En este punto, se vuelve necesario un esfuerzo colectivo para diseñar tecnologías que no sólo sean precisas, sino también justas, comprensibles y adaptables a contextos clínicos diversos.
El despliegue de la inteligencia artificial en cáncer de pulmón plantea una oportunidad sin precedentes para redefinir el modo en que se concibe y practica la medicina torácica. Pero esta promesa solo podrá cumplirse si se asume con realismo, espíritu crítico y sentido ético. Más que una revolución automatizada, lo que se vislumbra es una transformación asistida, en la que el conocimiento médico y el cálculo computacional se interpelan mutuamente para construir formas más precisas, humanas y sostenibles de cuidado.
