Prevención vs anticipación vs diagnóstico temprano del cáncer en la era ómica y la inteligencia artificial

Autor: Andrés Rico, CEO de AIpocrates. Colaboración de Erick Cantor, Andrés Cárdona (Oncólogos, miembros de AIpocrates) y Liliana Mosquera (Enfermera, miembro de AIpocrates).

Columnas anteriores:

Medicina generativa: la cognición híbrida en oncología, parte 1

Medicina generativa: la cognición híbrida en oncología, parte 2

Más allá del código: la genómica en la era de los datos masivos

Cuando el ADN deja preguntas: inteligencia artificial frente al desafío de las variantes de significado incierto

¡Adiós, primo!

Gabriel tenía 67 años cuando consultó por una pérdida de peso rápida e inexplicable: ocho kilogramos en tres meses, acompañada de dolores óseos y musculares (osteomialgias), astenia y adinamia. Era fumador activo (IPA de 60), hacía ejercicio con regularidad, seguía una dieta mediterránea y se hacía chequeos bianuales por una tos crónica. En la última consulta, el diagnóstico fue un adenocarcinoma de pulmón con metástasis pulmonares y óseas.

Entre la prevención y el diagnóstico… ¿la tierra de nadie?

Esta columna recorre los cambios que la medicina está viviendo y que los profesionales de salud estamos llamados a transitar. También busca advertir contra la sobrepromesa tecnológica: varias tecnologías aún están en validación, algunos resultados tienen un valor incierto y detectar los falsos positivos sigue siendo difícil. Esto puede desencadenar cascadas de pruebas diagnósticas y rutas confirmatorias innecesarias, en un escenario donde su beneficio poblacional todavía es discutible.

Aunque el sistema de salud cubre la mayoría de los exámenes, varias de las tecnologías que veremos no están disponibles en nuestro país: obligan a enviar muestras al exterior y, además, son bastante costosas.

Todo esto exige reflexionar sobre nuestros límites y objetivos (qué podemos hacer y qué queremos hacer) y sobre las habilidades tecnológicas y la racionalidad científica que los médicos deben adquirir sin perder rigor ni humanidad.

Cuatro conceptos que conviene precisar

• Prevenir: evitar que la enfermedad aparezca.
• Anticipar: identificar señales moleculares o genéticas antes de la evidencia clínica.
• Detección y Diagnóstico temprano: encontrar la enfermedad en una etapa temprana y reducir los retrasos cuando ya hay síntomas.

La confusión semántica: prevención ≠ anticipación ≠ detección temprana

Durante décadas hemos usado estos términos de forma intercambiable, pero sus implicaciones clínicas, biológicas y pronósticas son distintas. Esta confusión no es solamente académica: tiene consecuencias.

Figura 1. Los cuatro conceptos ubicados en la historia natural de la enfermedad.

Prevención primaria: la ilusión del control

La prevención primaria se basa en modificar factores de riesgo conocidos: dejar el tabaco, evitar la exposición a la radiación ultravioleta, reducir el consumo de carnes procesadas y combatir el sedentarismo. Estas medidas reducen el riesgo poblacional. Sin embargo, tienen limitaciones:

• Primero, la prevención no elimina el riesgo genético heredado. Una mujer portadora de una mutación germinal en el gen supresor de tumores BRCA1 puede ser atleta olímpica, vegana y no haber fumado nunca, y aun así tener hasta 72% de riesgo de desarrollar cáncer de mama antes de los 80 años, frente a 12-13% en la población general.
• Segundo, las variables socioeconómicas convierten la «prevención ideal» en un privilegio de clase. Hablarle de dieta mediterránea a una madre soltera que trabaja y compra lo que alcanza en el supermercado más cercano es insensibilidad social disfrazada de ciencia basada en la evidencia.

Detección temprana: ¿un limbo clínico?

Los programas de tamizaje fueron un avance innegable, pero tienen limitaciones. La prueba de sangre oculta en heces, por ejemplo, tiene una sensibilidad de 60-80% para cáncer colorrectal, pero de menos de 25% para adenomas avanzados. La colonoscopia, considerada el estándar de oro, no alcanza el 50% de adherencia por lo incómodo de la preparación, la sedación, el tiempo laboral y los costos indirectos.

El antígeno prostático específico (PSA) y el tacto rectal han generado debates sobre sobrediagnóstico y sobretratamiento. Como resultado, la U.S. Preventive Services Task Force ha revisado sus recomendaciones en más de una ocasión, lo que refleja la complejidad del balance entre riesgo y beneficio.

El punto crítico es conceptual: un pólipo de 10 mm en la colonoscopia no es «detección temprana», sino detección visible; clínicamente, ya se interviene una manifestación.

Diagnóstico convencional: ¿la semiología nos dice que llegamos tarde?

La clínica depende de la semiología y la propedéutica, pero los síntomas suelen aparecer o intensificarse solo en etapas avanzadas del tumor. Un carcinoma de colon en estadio Tis (in situ), por ejemplo, habitualmente no produce rectorragia, y un melanoma de 0,3 mm de Breslow puede pasar inadvertido en un examen físico de rutina. Cuando aparecen astenia, anorexia, pérdida de peso, dolor óseo o ictericia, incluso de corta evolución, el cáncer ya no se está «detectando»: está anunciando su victoria.

Anticipación ómico-molecular: no se detecta una enfermedad, se anticipan trayectorias biológicas

Las tecnologías ómicas ofrecen un potencial disruptivo: permiten adelantar la ventana terapéutica a escenarios previos al desarrollo tumoral. La genómica, la transcriptómica, la proteómica y la metabolómica pueden identificar perfiles y alteraciones en algunos casos años antes de que aparezcan los síntomas.

Sin embargo, generan volúmenes masivos de información: un perfil genómico basado en ADN/ARN-seq puede abarcar datos de más de 20.000 genes. El verdadero avance surge cuando estas capas se integran en análisis multiómicos, un proceso que supera la capacidad cognitiva humana: ningún cerebro puede analizar, ponderar y extraer patrones predictivos de matrices tan complejas.

Es aquí donde entran la bioinformática y los modelos de inteligencia artificial, como machine learning, las redes neuronales profundas (Deep Learning) y hoy en día con agentes actuando en capas cognitivas de carácter exponencial como ha demostrado Oxler en un ecosistema llamado Penta, o los gemelos digitales que a partir de alteraciones genéticas y de perfiles de expresión proteica o metabólica, permite modelar sistemas adaptativos complejos  y así poder simular trayectorias evolutivas de la enfermedad, lo que abre la posibilidad de tratamientos dirigidos. Las ciencias ómicas potenciadas por inteligencia artificial pueden redefinir la manera en que entendemos, prevenimos, anticipamos, diagnosticamos y tratamos la enfermedad.

Genómica predictiva: más allá del código

La secuenciación de nueva generación (NGS, por Next Generation Sequencing) abarató de forma drástica la lectura del genoma: según la serie del Instituto Nacional de Investigación del Genoma Humano de EE. UU. (NHGRI), el costo por genoma pasó de cerca de USD 95 millones en 2001 a alrededor de USD 500 en 2022. Esta caída habilitó paneles preestablecidos que permiten evaluar, en una sola prueba, entre 10 y 500 genes asociados con neoplasias hereditarias y somáticas.

Los scores poligénicos de riesgo (PRS) integran cientos o miles de variantes de bajo efecto individual para estimar un riesgo acumulado que puede ser más preciso que el de muchos modelos epidemiológicos tradicionales, siempre que se validen y calibren por población. El estudio genético ya está más cerca de los usuarios.

Casos de uso clínico

Entre los ejemplos consolidados están la detección de alteraciones germinales en BRCA1/2 para cáncer de mama y ovario (con opciones profilácticas como la mastectomía y la salpingo-ooforectomía bilaterales cuando corresponde), las variantes en APC en la poliposis adenomatosa familiar, en RET en la neoplasia endocrina múltiple tipo 2 y en MLH1, MSH2, MSH6 y PMS2 en el síndrome de Lynch, entre otros síndromes hoy caracterizados molecularmente.

Seguimiento y enfermedad residual mínima (MRD)

La monitorización de la enfermedad residual mínima (MRD) mediante ADN tumoral circulante (ctDNA) incluye la evaluación de mutaciones, fusiones, inestabilidad microsatelital, variaciones en el número de copias (CNV) y fragmentómica. Está cambiando el seguimiento posterior al tratamiento, porque puede anticipar la recaída antes de que se manifieste en las imágenes y orientar decisiones terapéuticas tempranas.

Epigenómica: el mapa dinámico de la expresión

La epigenómica, en especial el análisis de los patrones de metilación del ADN, emerge como biomarcador temprano. La metilación aberrante de los promotores de genes supresores de tumores puede detectarse años antes de la aparición de la neoplasia. Pruebas como Cologuard (análisis de ADN fecal multiobjetivo) combinan la detección de mutaciones específicas con marcadores de metilación y aumentan la sensibilidad frente a la prueba tradicional de sangre oculta en heces.

Transcriptómica: el genoma en acción

La transcriptómica (mediante ARN-seq) revela qué genes están activos. Estos perfiles de expresión permiten clasificar los tumores no solo por su órgano de origen, sino también por sus características moleculares funcionales, con implicaciones pronósticas y terapéuticas. Además, la identificación de microARN puede ayudar a predecir el comportamiento biológico de la enfermedad y su pronóstico.

Proteómica clínica

Las proteínas son las ejecutoras de la función celular. La proteómica clínica analiza firmas séricas mediante espectrometría de masas de alta resolución y busca identificar biomarcadores con mayor especificidad que los marcadores tumorales clásicos (CA 19-9, CEA, CA 125).

Metabolómica: el reflejo bioquímico

Las células tumorales exhiben un metabolismo aberrante característico. La metabolómica detecta alteraciones y perfiles o «firmas» metabólicas asociadas con procesos neoplásicos específicos: glucólisis aumentada incluso en presencia de oxígeno (efecto Warburg), dependencia de glutamina, alteraciones en las vías de aminoácidos aromáticos (triptófano, tirosina, fenilalanina), acumulación de lactato y cambios en el metabolismo lipídico. Entre sus posibles utilidades futuras está el seguimiento terapéutico: detectar cambios que precederían a la respuesta radiológica por semanas y permitir ajustes tempranos del tratamiento.

La exosómica

Las vesículas extracelulares contienen múltiples biomoléculas: ADN tumoral, ARN (mRNA, miRNA, lncRNA), proteínas y metabolitos. Por eso, el estudio de los exosomas es multiómico. Cuando se usan para caracterizar el microambiente tumoral en la biopsia líquida, suelen enmarcarse como proteómica funcional y transcriptómica no invasiva.

Microbioma y oncogénesis: el ecosistema invisible

La relación entre la microbiota y el cáncer es más profunda de lo que se imaginaba. El microbioma intestinal modula la respuesta inmune antitumoral, el metabolismo de carcinógenos y la producción de metabolitos con efectos proinflamatorios o protectores.

Hay, además, agentes infecciosos con un vínculo claro con el cáncer: Helicobacter pylori con el cáncer gástrico, y el virus del papiloma humano (HPV) con el cáncer cervical y orofaríngeo. Por otro lado, los perfiles del microbioma fecal emergen como biomarcadores predictivos de la respuesta a la inmunoterapia con inhibidores de checkpoint (anti-PD-1, anti-PD-L1, anti-CTLA-4): bacterias como Akkermansia muciniphila y Faecalibacterium prausnitzii se han asociado con mejores tasas de respuesta.

Radiómica: cuando las imágenes hablan

La radiómica utiliza inteligencia artificial para identificar en las imágenes médicas patrones imperceptibles incluso para un radiólogo. Mediante análisis matemático, convierte la textura, la heterogeneidad y el realce con contraste de los píxeles en datos cuantificables que amplían la capacidad perceptiva del médico, sin reemplazarla.

Se han desarrollado modelos de IA que, a partir de:

• tomografías, pueden predecir mutaciones en cáncer de pulmón (EGFR, ALK, ROS1);
• mamografía digital, pueden estratificar el riesgo de metástasis ganglionares en cáncer de mama;
• resonancia magnética previa al tratamiento, pueden anticipar la respuesta a la quimioterapia neoadyuvante en cáncer rectal.

Esto podría permitir:

• Reducir el tiempo diagnóstico.
• Monitorizar de forma longitudinal y no invasiva la evolución del tumor.
• Predecir la respuesta terapéutica sin repetir biopsias invasivas.
• Evitar biopsias innecesarias en lesiones benignas con alta probabilidad calculada algorítmicamente.

Histología digital y dermatopatología algorítmica

El proyecto GLORIA (GLobalización de telepatOlogía en Red con aplicaciones de Inteligencia Artificial) es una iniciativa colombiana que busca crear una red de telepatología y patología digital, con una propuesta de inteligencia artificial para cáncer de pulmón y una base de datos nacional de imágenes histopatológicas de acceso libre. Aspira, además, a servir de modelo para proyectos similares en otros países de Latinoamérica.

En dermatología, aplicaciones móviles basadas en redes neuronales convolucionales, como SkinVision, MoleScope o algoritmos académicos, se proponen para el tamizaje de lesiones cutáneas; no son herramientas diagnósticas. Su sensibilidad y especificidad en la detección de melanoma se han descrito como comparables a las de dermatólogos certificados.

Machine learning: el cerebro computacional de la multiómica

El poder de la IA en oncología no radica en analizar un único tipo de dato, sino en integrar varias capas de información de manera simultánea. Así, la representación del paciente trasciende su genoma e incorpora su transcriptoma, proteoma, metaboloma, microbioma, radioma, datos clínicos y determinantes sociales de la salud.

Figura 2. Cómo se integran las capas de información en un perfil de riesgo individual.

Los scores de riesgo tradicionales, como Framingham (enfermedad cardiovascular) o Gail (cáncer de mama), se basan en 5 a 10 variables clínicas y demográficas. Los modelos de machine learning, en cambio, pueden procesar cientos o miles de variables de alta dimensionalidad (matrices multidimensionales) e identificar patrones que los análisis univariados o bivariados no detectan. Para ello ponderan automáticamente la importancia relativa de cada variable mediante técnicas de regularización (LASSO, Ridge, Elastic Net), métodos de ensamble (Random Forests, Gradient Boosting, XGBoost) o redes neuronales.

• Ruido biológico: con muchas variables y relativamente pocas muestras, un modelo puede ajustarse al ruido en lugar de a la señal (sobreajuste). La variabilidad biológica y técnica entre individuos y plataformas puede generar patrones que no se replican en otras cohortes.

Ya existen ejemplos concretos. DeepVariant (Google) ha aumentado la precisión en la detección de variantes genéticas. PathAI aplica IA al análisis de imágenes histopatológicas con niveles de consistencia comparables a los humanos. Paige Prostate obtuvo en 2021 la autorización De Novo de la FDA de EE. UU. como apoyo al patólogo en la detección de cáncer de próstata en biopsias; la sensibilidad reportada varía según el estudio: 96% (con especificidad de 98%) en el estudio presentado a la FDA y 0,99 (con especificidad de 0,93) en una validación independiente.

• Heterogeneidad tumoral: un mismo tipo de cáncer difiere entre pacientes, entre regiones de un mismo tumor y a lo largo del tiempo. Un modelo entrenado en una población o plataforma puede rendir peor en otra, por lo que necesita validación externa.

La incorporación de modelos de machine learning y deep learning busca reemplazar el riesgo poblacional genérico (por ejemplo, «las mujeres de 50 a 60 años tienen X% de riesgo») por un perfil de riesgo dinámico e individualizado, que se actualiza de forma continua con datos clínicos, moleculares y ambientales.

• De la promesa a la práctica: que un perfil sea dinámico no garantiza que sea más preciso. Depende de datos longitudinales de buena calidad y de validación prospectiva de que mejora las decisiones clínicas.

Biopsia líquida potenciada por IA: encontrar la aguja en un pajar de moléculas

Los métodos tradicionales de PCR alcanzan límites de detección de 0,1-1%. Las tecnologías de secuenciación de nueva generación con corrección de errores moleculares (molecular barcoding) pueden llegar a sensibilidades de 0,01%, y de hasta 0,001% en métodos especializados, aunque separar la señal verdadera del ruido técnico y biológico sigue siendo un desafío.

La biopsia líquida mediante análisis de ctDNA permite detectar fragmentos tumorales en sangre periférica con una sensibilidad analítica muy alta. Aun así, presenta limitaciones importantes. Por un lado, cuando la carga tumoral es baja, como en estadios tempranos, la cantidad de ADN tumoral circulante puede ser mínima y la sensibilidad clínica sigue siendo limitada. Por otro, aunque la sensibilidad analítica sea alta, su valor predictivo positivo en poblaciones generales asintomáticas continúa siendo objeto de debate científico internacional, por el riesgo de falsos positivos y de cascadas diagnósticas.

En este escenario, los modelos de machine learning pueden aprender los patrones de error propios de cada plataforma, reducir artefactos y ayudar a distinguir las mutaciones somáticas reales de las variantes asociadas con la hematopoyesis clonal de potencial indeterminado (CHIP). Sin embargo, el respaldo regulatorio y clínico es muy distinto según el uso. Guardant360 (Guardant Health) y FoundationOne Liquid CDx (Foundation Medicine) cuentan con aprobación de la FDA como pruebas de perfilamiento tumoral y diagnóstico complementario en cáncer avanzado, no como pruebas de cribado. Galleri (GRAIL), en cambio, es una prueba de detección multicáncer que aún no cuenta con aprobación: su solicitud PMA se presentó en enero de 2026 y el comité asesor de la FDA votó a favor el 23 de septiembre de 2026, pero la decisión final sigue pendiente. Sus datos provienen de PATHFINDER 2 y del ensayo aleatorizado NHS-Galleri, que usaron una versión anterior del ensayo, y el impacto del cribado en los desenlaces clínicos sigue siendo objeto de evaluación.

La distancia entre la promesa tecnológica y la realidad clínica

Figura 3. Principales barreras entre la promesa tecnológica y su implementación clínica.

Limitaciones económicas

Los costos son un factor que hay que considerar:

• Un panel genómico para secuenciación exómica o genómica completa (whole exome o whole genome sequencing) cuesta entre USD 1.000 y 5.000, según la profundidad de cobertura y el análisis bioinformático incluido.
• Una prueba de biopsia líquida multicáncer tiene un valor aproximado de USD 500 a 2.000.
• Un estudio de radiogenómica con análisis algorítmico avanzado añade entre USD 200 y 800 al costo de la imagen diagnóstica estándar.

Estas cifras dificultan el acceso poblacional en sistemas de salud con presupuestos per cápita de entre USD 200 y 500 anuales, como los de los países latinoamericanos, más aún con el debate sobre el retorno de la inversión (ROI) y la sostenibilidad de una implementación a gran escala.

El desafío de las VUS (variantes de significado incierto)

Las VUS (variants of uncertain significance) son hallazgos del tipo «encontramos esta variante, pero desconocemos si aumenta, reduce o es neutral frente al riesgo de cáncer». En los estudios publicados, la proporción de pacientes con al menos una VUS depende del tamaño del panel y de la ancestría: fue de 38,2% en una cohorte estadounidense con cáncer colorrectal (más alta en personas negras, asiáticas e hispanas) y de 46,1% en 1.663 pacientes brasileños con cáncer de mama.

El riesgo es sobreinterpretar o malinterpretar una VUS como patogénica, lo que puede generar ansiedad, intervenciones injustificadas o estigmatización genética. Son el talón de Aquiles de la genómica clínica.

Infraestructura y capacitación: la brecha de implementación

Integrar la medicina ómica algorítmica exige expertos con formación en biología molecular, programación, estadística avanzada y medicina: una combinación de habilidades costosa y difícil de desarrollar.

Además, los sistemas de información actuales, incluidas las historias clínicas electrónicas, requieren una transformación profunda, porque no están preparados para procesar, almacenar ni visualizar archivos VCF, matrices de expresión génica o perfiles metabólicos multidimensionales. A esto se suma la resistencia del personal médico formado en otros paradigmas, que desconfía de los algoritmos por su naturaleza de «caja negra», por la incertidumbre sobre la representatividad de los datos y por la falta de validación en las poblaciones que atiende. Es una barrera difícil de superar.

Aspectos éticos y psicosociales: el peso del conocimiento

Saber que se porta una mutación en BRCA1, con un riesgo cercano a 70% de cáncer de mama, puede generar ansiedad anticipatoria, ampliamente documentada en estudios psicosociales, y en algunos casos los pacientes desarrollan depresión.

La discriminación genética es una preocupación real. Leyes como la GINA (Genetic Information Nondiscrimination Act) de EE. UU. prohíben la discriminación laboral y en seguros de salud, pero no protegen frente a decisiones relacionadas con seguros de vida, de discapacidad o de cuidados a largo plazo.

Preguntas que debemos responder hoy

La medicina moderna enfrenta una paradoja: tenemos herramientas que, en algunos contextos, permiten anticipar trayectorias oncológicas años antes de los síntomas, pero seguimos diagnosticando el cáncer cuando ya es evidente, ha consolidado territorios anatómicos, ha hecho metástasis y ha desarrollado heterogeneidad clonal compleja y resistencia terapéutica intrínseca.

¿Cuánto tiempo más seguiremos reaccionando en lugar de anticipar el cáncer? Cada día que pasa es una ventaja para la enfermedad. ¿Cuándo permitirán los costos hacerlo a gran escala? ¿La barrera ya no es científica, sino económica, organizacional y política? ¿Qué podemos hacer para disminuir el número de pacientes diagnosticados en estadio IV y aumentar la detección molecular?

Hoy no basta con auscultar pulmones y palpar el abdomen: el médico debe entrenarse como «traductor molecular», es decir, interpretar perfiles genómicos, entender los scores de riesgo poligénico, navegar bases de datos farmacogenómicas, discutir las implicaciones de las variantes de significado incierto e integrar la información multiómica en planes terapéuticos personalizados donde la IA permite el procesamiento de matrices ultra complejas de datos que sobrepasan la capacidad humana. Por esto, se necesita la integración de la IA en el currículo de pregrado y posgrado en la educación médica.

Conclusión

Patricia tiene 49 años y no tenía síntomas. Su biopsia líquida, realizada como parte de un protocolo de medicina anticipatoria, detectó ADN tumoral circulante (ctDNA) compatible con mutaciones KRAS G12D. La resonancia magnética guiada por radiogenómica identificó una lesión pancreática de 8 mm. La cirugía fue exitosa y, tres años después, está libre de enfermedad.

Reconocimiento del uso de inteligencia artificial

El autor siguió la siguiente metodología:

• Se identificó un problema y se formuló una pregunta.
• De acuerdo con los objetivos, se realizó una construcción híbrida en modalidad canvas de un LLM: redacción conjunta, con optimización de la redacción y detección de alucinaciones.
• Posteriormente, expertos humanos en oncología verificaron el contenido.

Los esquemas conceptuales de esta versión se elaboraron con asistencia de IA a partir del contenido de la columna.

Recursos para profundizar

Calculadoras de riesgo validadas

• CanRisk (cáncer de mama y ovario; pensada para profesionales de la salud): http://www.canrisk.org
• IBIS Breast Cancer Risk Evaluation Tool: http://www.ems-trials.org/riskevaluator
• Modelo de Claus (riesgo familiar de cáncer de mama)
• Colon Cancer Risk Assessment Tool (NCI)

Bases de datos genómicas

• ClinVar (NCBI): variantes genéticas y su significado clínico
• COSMIC (Catalogue of Somatic Mutations in Cancer)
• OncoKB (Precision Oncology Knowledge Base, Memorial Sloan Kettering)
• PharmGKB: farmacogenómica

Guías clínicas

• NCCN Guidelines: Genetic/Familial High-Risk Assessment
• ESMO Precision Medicine Working Group
• ASCO: Germline Genetic Testing