Colaboración entre PathAI y A.C.Camargo en Brasil: ¿qué le importa al patólogo?
PathAI y A.C.Camargo Cancer Center anunciaron una colaboración para apoyar la adopción de la patología digital y de herramientas de inteligencia artificial en Brasil a través del SUS. A primera vista, la noticia parece un anuncio institucional ordinario entre una empresa tecnológica y un centro oncológico de referencia, pero plantea una pregunta práctica muy cercana al trabajo del patólogo: ¿cómo se puede llevar la inteligencia artificial de las demostraciones a un flujo diagnóstico que atienda a pacientes reales dentro de un sistema público de salud?
A.C.Camargo no es un laboratorio pequeño que prueba un nuevo escáner al margen del trabajo diario. Es un centro oncológico con peso en la atención, la educación y la investigación. Y el SUS no es un mercado privado limitado; es un sistema público de salud que atiende a una gran parte de la población. Por eso, la importancia de la noticia está en el lugar de aplicación. No hablamos de un tablero atractivo ni de un modelo publicado en un artículo, sino de un intento de conectar la patología digital con el acceso a un mejor diagnóstico oncológico dentro de una red sanitaria amplia.
¿Por qué importa esta noticia fuera de Brasil?
Muchos servicios de patología en nuestra región conocen el mismo problema con nombres distintos. La experiencia subespecializada se concentra en ciudades o centros concretos, mientras las muestras llegan desde hospitales periféricos con retraso y, a veces, con datos incompletos. El paciente no ve esos detalles, pero paga el costo en la demora del informe, en la necesidad de reenviar bloques o en la espera de la revisión por un patólogo especializado en tumores determinados.
La patología digital puede ayudar en este punto si se usa en el lugar correcto. El escaneo por sí solo no resuelve el problema. Subir una WSI a una plataforma no significa que el diagnóstico sea más rápido o más preciso. La mejora empieza cuando cambia el flujo de trabajo: ¿quién recibe el caso? ¿quién revisa la calidad de la imagen? ¿cómo se priorizan los casos urgentes? ¿cuándo se solicitan tinciones adicionales? ¿y cómo llega la opinión subespecializada al médico tratante sin circuitos administrativos largos?
Estas preguntas son las que hacen que la colaboración entre PathAI y A.C.Camargo sea relevante para los médicos, no el titular comercial sobre inteligencia artificial. El éxito no se medirá solo por el número de portaobjetos escaneados, sino por su efecto en el tiempo de emisión del informe, la consistencia de la lectura, la reducción de derivaciones tardías y la protección de la responsabilidad del patólogo cuando se utiliza IA dentro del flujo.
La inteligencia artificial dentro del flujo diagnóstico, no por encima de él
El mayor error al leer noticias sobre IA en patología es tratar el algoritmo como un sustituto independiente. En el trabajo diario, la mayor parte del valor no vendrá de una decisión automática final, sino de tareas concretas: priorizar casos, señalar áreas sospechosas, apoyar la cuantificación en determinados marcadores o ordenar la lista de trabajo según la probabilidad de que un caso necesite una revisión más rápida.
Esto cambia nuestras expectativas. El especialista no necesita una herramienta que afirme verlo todo. Necesita una herramienta que conozca sus límites, muestre la razón de sus sugerencias y se integre con el sistema del laboratorio sin crear trabajo adicional. Cualquier sistema que aumente el número de clics, obligue a pasar entre demasiadas pantallas o retrase la firma final encontrará una resistencia razonable, aunque sus resultados de investigación sean buenos.
En un entorno como el SUS, este punto se vuelve aún más sensible. El volumen de casos es grande, y las diferencias entre laboratorios pueden ser claras en la preparación, el escaneo, la conectividad de red y la integración de datos. Por eso, cualquier implementación amplia necesita protocolos claros antes de hablar de rendimiento: requisitos previos al escaneo, criterios de aceptación de la imagen, manejo de portaobjetos no aptos y un plan de formación para técnicos y médicos.
La gobernanza importa más que el entusiasmo
No basta con que la herramienta sea precisa en un conjunto de prueba. El servicio debe saber dónde entra en el flujo, quién tiene derecho a ignorarla y cuándo deben documentarse sus salidas. Si el algoritmo sugiere un área sospechosa y el médico no está de acuerdo, ¿se registra? Si ocurre una falla técnica en un lote de portaobjetos, ¿quién detiene el proceso? Si la versión del modelo cambia después de una actualización de software, ¿se repite la validación interna?
No son preguntas administrativas secundarias. Forman parte de la práctica de la patología. La firma final sigue siendo una responsabilidad médica, y cualquier herramienta que intervenga antes del informe debe someterse a la misma lógica que aplicamos a las tinciones, los equipos y el control de calidad. La diferencia es que la IA añade una capa menos visible de probabilidades, y su desempeño puede cambiar con el tejido, la preparación, el escáner o las características de la población.
Por eso, el proyecto necesitará indicadores de seguimiento que los médicos entiendan, no solo métricas técnicas. Por ejemplo, el tiempo medio de informe antes y después de la implementación, la proporción de casos redirigidos a un subespecialista, el número de portaobjetos rechazados por calidad de escaneo, el efecto de la herramienta en la solicitud de IHC adicional y el grado de concordancia entre sus salidas y la decisión del médico en escenarios definidos.
¿Qué podemos aprender?
La primera lección es que la patología digital no funciona como una simple compra de equipos. Requiere rediseñar el recorrido de la muestra desde su entrada al laboratorio hasta la llegada del informe al equipo tratante. Si el flujo no cambia, el escaneo se convierte en otra capa de trabajo en lugar de reducir los retrasos.
La segunda lección es que los centros oncológicos de referencia pueden cumplir una función distinta. En vez de recibir físicamente cada muestra, pueden apoyar a una red más amplia mediante revisión digital, educación y estandarización. Esto no elimina la necesidad de una infraestructura local fuerte, pero permite distribuir la experiencia de manera más justa, sobre todo en casos raros o complejos.
La tercera lección es que la aceptación de los patólogos no es un detalle posterior. Los médicos aceptarán la herramienta cuando respete su trabajo: resultados revisables, una interfaz que no interrumpa la lectura, integración con el LIS y una política clara sobre firma y responsabilidad. Si la herramienta se presenta como una nueva presión productiva o como un sustituto encubierto, fallará en el lugar que realmente importa: la sala de informes.
Conclusión práctica
La colaboración entre PathAI y A.C.Camargo a través del SUS merece seguimiento porque pone a prueba una pregunta difícil: ¿pueden la patología digital y la IA ampliar el acceso a experiencia diagnóstica de alto nivel dentro de un sistema público de salud? La respuesta no vendrá de un solo comunicado de prensa. Aparecerá en los tiempos de informe, la calidad del escaneo, la aceptación de los médicos, la claridad de la gobernanza y la capacidad de los pacientes fuera de los grandes centros para recibir una opinión especializada sin una demora prolongada.
Para el patólogo, ese es el ángulo central. No deberíamos quedarnos atrapados en una pregunta teórica sobre la sustitución del médico. La pregunta profesional más cercana es: ¿hará este flujo que nuestra decisión sea más rápida, más fiable y más fácil de revisar? Si la respuesta es sí, la tecnología merece un lugar en el laboratorio. Si la respuesta no está clara, el problema suele estar en el diseño, no en la idea de la digitalización.