En muchos proyectos de inteligencia artificial en patología, el fracaso no llega al probar el modelo. Llega después, cuando el equipo muestra un resultado convincente y nadie sabe quién tiene la responsabilidad de decidir su uso en el trabajo diario. Ese es el punto central del artículo del Dr. Luis Cano en Beyond the Slide, titulado «The Problem Is Not the Model. It’s the Meeting After the Model.» La idea importa porque toca un problema que los laboratorios ven con más frecuencia de la que quisieran admitir.
El modelo puede producir una predicción válida. La imagen de la lámina completa es clara. El análisis histológico o espacial es coherente. Aun así, la reunión termina con una solicitud de más datos, otro experimento u otra presentación ante otro comité. Esto no siempre ocurre porque la evidencia sea débil. A veces ocurre porque la siguiente decisión implica una responsabilidad clara, y ninguna persona ni órgano de gobernanza está preparado para asumirla.
La adopción empieza con la decisión, no con el servidor
La conversación sobre IA en patología suele centrarse en el rendimiento: sensibilidad, especificidad, AUC, concordancia entre lectores o capacidad del modelo para manejar variación en tinciones y escáneres. Estas métricas son necesarias, pero no responden por sí solas a la pregunta de adopción. El patólogo necesita saber qué ocurrirá cuando el sistema produzca su resultado dentro del circuito diagnóstico.
¿Cambia la priorización de casos? ¿Solicita IHC adicional? ¿Eleva un caso a segunda revisión? ¿Entra en el informe diagnóstico? ¿Quién lo detiene ante un fallo evidente? ¿Y quién tiene autoridad para ignorar el resultado? Si estas preguntas quedan sin respuesta, el proyecto seguirá siendo una buena demostración en una reunión, no una herramienta utilizada en la plataforma de trabajo.
El artículo señala una brecha familiar: muchos laboratorios tienen escáneres WSI, pero el uso rutinario diario es mucho menor. La cifra exacta varía entre sistemas sanitarios, pero el significado es conocido. Comprar un escáner no convierte al laboratorio en digital. Instalar un modelo de IA no significa que el diagnóstico haya cambiado.
Parálisis por evidencia interminable
Uno de los patrones de fracaso descritos en el artículo es pedir nueva evidencia cada vez que el equipo se acerca a una decisión. Al principio, la solicitud es científica y razonable: un conjunto de validación externo, una comparación entre escáneres o un análisis de rendimiento por tipo de muestra. Pasado cierto punto, la solicitud se convierte en aplazamiento organizado.
En patología, este patrón aparece cuando el equipo presenta un modelo exitoso para triaje de casos, medición de biomarcadores o detección de regiones sospechosas, y luego entra en un bucle de preguntas: ¿qué pasa con otro tono de tinción? ¿Qué pasa con otro protocolo de fijación? ¿Qué pasa con otro escáner? Algunas de estas preguntas son importantes. Pero si no existe un umbral definido que indique cuándo la evidencia es suficiente para una decisión limitada y segura, el proyecto no llegará a la clínica.
El problema no es el deseo de precisión. La precisión es obligatoria en el diagnóstico. El problema es que la ausencia de un umbral claro de decisión hace que el equipo confunda la validación científica con la evasión de responsabilidad. Cada herramienta necesita un punto de cierre: si cumple estos criterios, entra en este uso definido, bajo esta monitorización, con estos permisos.
Hay intención, pero falta autoridad
El segundo patrón es más frustrante porque ocurre en equipos entusiastas. Todos están de acuerdo en que la herramienta es útil. El departamento de patología la quiere. Informática sanitaria no se opone. La administración ve su valor. Aun así, la aprobación final no llega. No hay un desacuerdo científico real, pero nadie tiene suficiente autoridad delegada para conectar el modelo con una decisión diagnóstica u operativa.
Esto mata el entusiasmo lentamente. El equipo que construyó el modelo lo sigue actualizando y manteniendo sin un efecto claro en el trabajo. Los patólogos lo prueban en sesiones limitadas y luego vuelven al circuito anterior. Meses después, el proyecto se convierte en una carga administrativa en lugar de una herramienta que reduzca presión o variación.
En un laboratorio ocupado, no basta con decir que el sistema es útil. Hay que nombrar al dueño de la decisión: director del laboratorio, jefe del departamento, comité de calidad, responsable de informática o un equipo conjunto con autoridad escrita. Sin eso, la IA se convierte en un expediente siempre abierto y nunca adoptado.
Una lección de las alertas de apoyo clínico
El artículo cita la experiencia del modelo de Epic para predecir sepsis, en la que el volumen de alertas aumentó durante la ola de COVID-19 y las alertas terminaron suspendiéndose porque los equipos clínicos no tenían un marco claro para traducir la alerta en una acción terapéutica. El ejemplo viene de fuera de la patología, pero está muy cerca de nuestra realidad.
Cualquier sistema que añade nuevas señales al día del patólogo debe responder a la pregunta de carga cognitiva. Si el modelo añade alertas sin prioridad, o resultados sin circuito, se convierte en ruido. Si cada alerta necesita una nueva discusión, no sobrevivirá en un laboratorio que procesa cientos de láminas por día.
Las buenas herramientas hacen más que producir un resultado. Colocan ese resultado en un punto definido del flujo de trabajo. Por ejemplo: triaje de casos HER2 para revisión más rápida, identificación de áreas ROI antes de la medición o sugerencia de casos que requieren una segunda lectura bajo reglas definidas. Un uso estrecho y claro es mejor que promesas generales que terminan en una pantalla que nadie abre.
Qué significa esto para el patólogo
El patólogo no debe dejar un proyecto de IA solo al equipo técnico. El modelo toca decisiones diagnósticas, priorización, documentación y responsabilidad profesional. Por eso, la primera pregunta al evaluar cualquier herramienta debe ser: ¿dónde entra en el circuito? La segunda: ¿quién posee la decisión que sale de ella?
Si la herramienta mide Ki-67 o PD-L1 o detecta metástasis ganglionares, el uso previsto debe estar escrito antes del lanzamiento. ¿Es una ayuda para la lectura? ¿Aporta una medición que entra en el informe? ¿Se usa solo para triaje? ¿Cuáles son sus límites en muestras pobres o láminas con artefactos? ¿Cuál es el plan para pausarla si el rendimiento cambia tras actualizar el escáner o el protocolo de tinción?
Estos no son detalles administrativos menores. Son condiciones de seguridad. También protegen a la herramienta de morir lentamente después de la primera etapa de entusiasmo.
Una prueba práctica antes de comprar o construir una herramienta
Antes de adoptar un nuevo modelo en un laboratorio de patología, el equipo puede plantear cinco preguntas cortas. ¿Quién usará el resultado? ¿Qué decisión cambiará? ¿Cuál es la evidencia mínima necesaria antes de desplegarlo? ¿Quién revisa errores y deriva de rendimiento? ¿Y cuándo decidimos que la herramienta falló o necesita recalibración?
Si el equipo no puede responder con frases claras, el proyecto no está listo, aunque las curvas de rendimiento se vean atractivas. Puede ser mejor ejecutarlo en un alcance más estrecho: un tipo de muestra, un marcador o un paso del flujo de trabajo. Un éxito limitado que puede medirse es más útil que un proyecto grande sin puerta de entrada a la rutina.
Conclusión profesional
El artículo identifica un defecto común en los proyectos de IA médica: se diseña demasiado el modelo y se pospone el diseño de la decisión. En patología, esto es costoso porque el resultado diagnóstico no vive aislado. Vive dentro de un informe, un comité de tumores, un ensayo clínico o una decisión terapéutica.
Todo proyecto de IA necesita un circuito de decisión escrito con la misma claridad que exigimos a los protocolos de tinción y al control de calidad. Sin eso, el modelo tendrá éxito en la presentación y seguirá ausente del diagnóstico.
Fuente: Beyond the Slide