Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

El cáncer es una enfermedad implacable que golpea a personas en todas partes, pero la capacidad de diagnosticarlo de manera rápida y precisa no se comparte de igual forma en todo el mundo. En muchos países de ingresos bajos y medios, el camino hacia la cura suele bloquearse mucho antes de que comience el tratamiento. El primer paso para combatir el cáncer es encontrarlo, lo cual generalmente requiere un patólogo, un médico que examina diminutas secciones de tejido bajo un microscopio para identificar la enfermedad. Estos especialistas escasean en muchas partes del mundo, y los laboratorios en los que trabajan a menudo carecen de las herramientas avanzadas necesarias para ver los detalles más pequeños. Sin un diagnóstico claro, los pacientes esperan demasiado para recibir atención, y sus posibilidades de supervivencia disminen.

En años recientes, ha surgido una nueva herramienta que promete cambiar este panorama: la inteligencia artificial. Esta es un software informático entrenado para reconocer patrones, capaz de observar las mismas láminas de tejido que un médico humano observaría y detectar signos de cáncer con gran velocidad. La idea es que, si estos programas inteligentes pueden integrarse en los sistemas de diagnóstico de las naciones en desarrollo, podrían ayudar a los médicos a trabajar de forma más rápida y precisa, permitiendo potencialmente que estos países se salten los pasos lentos y costosos de construir laboratorios de patología tradicionales y salten directamente a un sistema digital moderno. Pero para que esto funcione, la tecnología debe adaptarse a la realidad de los lugares donde se necesita. No puede simplemente ser implantada desde el exterior; se debe comprender cómo interactúan los médicos locales, los presupuestos y las normativas con el software.

Un equipo de investigadores se propuso comprender exactamente cómo podría funcionar esto en la práctica. No se limitaron a construir un programa informático y probarlo; en su lugar, fueron a la fuente, preguntando a las personas que realmente usarían la tecnología qué necesitaban y qué se interponía en su camino. Hablaron con doce médicos de doce países diferentes, incluyendo diez naciones de ingresos bajos y medios y dos de ingresos altos para comparar. Estos médicos eran expertos en patología y ginecología, los campos más involucrados en el diagnóstico del cáncer. Los investigadores utilizaron una mezcla de métodos, comenzando con encuestas para mapear el estado actual de los laboratorios, seguidas de discusiones grupales para profundizar en los desafíos y, finalmente, una segunda encuesta para medir qué tan fuertemente sentían los médicos ciertos problemas específicos.

Los investigadores descubrieron que la situación sobre el terreno era mucho más complicada de lo que sugeriría una simple lista de países ricos y pobres. Si bien cada uno de los sitios tenía acceso al método básico de tinción de láminas de tejido para hacerlas visibles, la capacidad de realizar pruebas más avanzadas variaba enormemente. En siete de cada diez de los sitios de menores ingresos, los laboratorios no tenían la capacidad suficiente para realizar las pruebas químicas especializadas que a menudo se requieren para confirmar un diagnóstico de cáncer. En seis de esos diez sitios, las pruebas moleculares —que analizan la composición genética del tumor— estaban completamente ausentes o apenas disponibles. Esto significaba que, incluso si una computadora pudiera detectar un problema, los médicos humanos a menudo carecían de las herramientas para confirmarlo o entender exactamente qué tipo de cáncer era.

La disponibilidad de las herramientas digitales necesarias para la inteligencia artificial también fue un panorama mixto. La mayoría de los sitios contaban con escáneres que podían convertir las láminas físicas en imágenes digitales, un primer paso necesario para que la computadora pueda "verlas". Sin embargo, las potentes computadoras requeridas para ejecutar el software de inteligencia artificial faltaban en más de la mitad de las ubicaciones. Esto creó una extraña desconexión: algunos lugares tenían los escáneres para crear las imágenes pero no las computadoras para analizarlas, mientras que otros tenían las computadoras pero no los escáneres. Los investigadores señalaron que esta variación no seguía el patrón habitual de la riqueza nacional. El nivel de ingresos de un país no era una forma fiable de adivinar si un hospital específico estaba preparado para usar la inteligencia artificial. Algunas instituciones en países de menores ingresos estaban sorprendentemente bien equipadas, mientras que otras en naciones más ricas lidiaban con brechas básicas.

Cuando se les preguntó a los médicos qué querían que hiciera la inteligencia artificial, sus respuestas fueron prácticas y centradas en las necesidades inmediatas. No pidieron que el software los reemplazara o que predijera el futuro con total certeza. En su lugar, querían que la computadora les ayudara a detectar el cáncer más temprano, a corroborar sus propios diagnósticos y a predecir ciertos marcadores biológicos a partir de las láminas teñidas estándar. Imaginaban un sistema donde la computadora pudiera clasificar miles de láminas, señalando aquellas que parecieran sospechosas para que un médico humano pudiera centrar su tiempo en esos casos específicos. Esto sería como tener un asistente incansable que nunca pierde un detalle, permitiendo que los médicos sobrecargados vean a más pacientes sin sacrificar la precisión.

Sin embargo, el camino para hacer realidad esta visión está bloqueado por una serie de obstáculos interconectados. Los investigadores identificaron seis factores principales que determinan si la inteligencia artificial puede realmente utilizarse en estos entornos. El primero es la alfabetización, lo que significa que tanto los médicos como los pacientes deben entender qué es la tecnología y confiar en ella. El segundo es la evidencia, o la necesidad de demostrar que el software funciona bien para las poblaciones específicas de estos países, y no solo para las personas en naciones ricas. El tercero es la gobernanza, que implica la creación de reglas y leyes para guiar cómo se utiliza la tecnología y quién es responsable si algo sale mal. El cuarto es el despliegue clínico, que abarca los pasos físicos para integrar el software en el flujo de trabajo del hospital. El quinto es el financiamiento, y el sexto es la colaboración entre diferentes grupos.

Entre todos estos desafíos, el dinero surgió como el obstáculo principal. Los médicos reportaron que las limitaciones financieras eran la barrera dominante en cada una de las áreas. Explicaron que, sin una fuente constante de financiamiento, no podrían comprar las computadoras necesarias, no podrían pagar las conexiones a internet necesarias para enviar imágenes y no podrían costear la capacitación de su personal. Aunque existían subvenciones internacionales y fondos de investigación para comprar el equipo inicial, los médicos temían que estos fondos se agotaran, dejando atrás máquinas costosas que no podrían mantener ni reparar. Enfatizaron que, para que la inteligencia artificial sea duradera, debe contar con el apoyo del presupuesto regular de salud del gobierno, no solo de donaciones temporales.

La colaboración fue identificada como la clave para desbloquear las otras soluciones. Los médicos se dieron cuenta de que ninguna persona o hospital podía resolver estos problemas por sí solo. Necesitaban trabajar juntos con los gobiernos para crear políticas, con las universidades para formar a la próxima generación de médicos y con las empresas privadas para compartir el costo del equipo. Vieron que los esfuerzos actuales eran a menudo fragmentados, con diferentes grupos trabajando de forma aislada. Los investigadores encontraron que el camino más exitoso hacia adelante sería un esfuerzo coordinado donde estos diferentes actores unieran fuerzas, compartiendo recursos y conocimientos para construir un sistema que pudiera sostenerse a largo plazo.

El estudio concluyó que, si bien la inteligencia artificial tiene una gran promesa para ayudar a los países de ingresos bajos y medios a saltar por encima del desarrollo tradicional y lento de los laboratorios de patología, no es una solución mágica que pueda aplicarse en todas partes de la misma manera. La preparación para usar esta tecnología varía enormemente de un hospital a otro, independientemente de la riqueza general del país. El éxito depende de abordar las necesidades locales específicas, asegurar un financiamiento sostenible y construir asociaciones sólidas. Sin estos cimientos, la tecnología corre el riesgo de convertirse en otro equipo sin usar acumulando polvo en un laboratorio, en lugar de ser una herramienta que salve vidas. Los investigadores sugieren que, antes de implementar estos sistemas, cada institución debe ser evaluada cuidadosamente para asegurar que cuenta con las personas, las reglas y el dinero para hacer que la tecnología funcione.