La señal inesperada de la TC torácica: ¿puede la IA anticipar el riesgo cardiovascular?

Muchas TC torácicas se realizan originalmente para evaluar los pulmones, tumores u otros problemas del tórax, y el riesgo cardiovascular no es el protagonista del examen. Sin embargo, las imágenes suelen registrar al mismo tiempo indicios como calcificación vascular, morfología cardíaca y cambios en los tejidos circundantes. Si esta información pudiera leerse de forma fiable, los estudios ya existentes quizá podrían asumir una función adicional de medicina preventiva: señalar al médico clínico, antes de que ocurra un infarto de miocardio o un ictus, qué personas requieren una evaluación más activa.

Un estudio publicado por Nature Medicine el 17 de junio de 2025 informa sobre un sistema de IA que estima el riesgo cardiovascular a partir de imágenes de TC torácica rutinaria. Según el resumen del estudio, el equipo no solo creó el modelo, sino que también realizó una validación externa, con el objetivo de predecir el riesgo futuro de eventos cardiovasculares mayores, como infarto de miocardio e ictus, a partir de datos de imagen oportunistas. Esto lo diferencia de los modelos de IA que simplemente muestran capacidad de reconocimiento de imágenes, y desplaza la cuestión hacia la interpretación pronóstica clínica: si una TC ya realizada puede ofrecer una señal útil sobre el riesgo futuro del paciente.

El atractivo de este tipo de “cribado oportunista” reside en que no exige que el paciente se someta a una prueba de imagen adicional para evaluar el riesgo. La TC torácica se utiliza con frecuencia en los hospitales; si un algoritmo pudiera analizar automáticamente las imágenes dentro de los flujos existentes, en teoría podría ayudar a identificar grupos de alto riesgo que los factores de riesgo tradicionales quizá no capturan por completo. No obstante, esto también significa que el modelo debe enfrentarse a la complejidad de las imágenes del mundo real, incluidos distintos parámetros de escaneo, poblaciones de diferentes instituciones médicas y las limitaciones de imágenes que originalmente no fueron diseñadas para una evaluación cardiovascular.

El resumen del estudio menciona específicamente la validación externa, un paso importante para que este tipo de IA médica pase de la demostración técnica a la credibilidad clínica. Las pruebas internas suelen sobrestimar el rendimiento del modelo, porque los datos de entrenamiento y prueba pueden compartir equipos, poblaciones y flujos clínicos similares; los datos externos, en cambio, permiten evaluar con mayor rigor la estabilidad del modelo en distintos entornos. Aun así, el resumen no ofrece todos los detalles necesarios para juzgar su utilidad clínica, como el número de eventos, el tiempo de seguimiento, las diferencias de rendimiento entre distintas poblaciones y la magnitud del beneficio frente a las puntuaciones de riesgo existentes, por lo que la interpretación aún debe mantener sentido de proporción.

Para la práctica clínica, la verdadera cuestión no es si la IA puede calcular una puntuación de riesgo, sino cómo debe utilizarse después esa puntuación. Si el modelo indica que una persona tiene mayor riesgo, ¿debería el médico solicitar pruebas adicionales, ajustar las estrategias hipolipemiantes o antihipertensivas, o simplemente incorporar el resultado a la historia clínica como información auxiliar? Sin estudios prospectivos y procesos claros que respalden estas acciones, la predicción de la IA puede aumentar las alertas, pero no necesariamente mejorar los resultados de los pacientes.

La regulación y la responsabilidad también aparecerán en paralelo. La TC torácica rutinaria se obtiene con un propósito clínico específico; si una IA analiza además en segundo plano el riesgo cardiovascular, el consentimiento del paciente, la comunicación de resultados, la ansiedad y la carga sanitaria derivadas de los falsos positivos requieren diseño institucional. Si el modelo se despliega en distintos hospitales, también deberá demostrar que puede mantener su rendimiento ante la deriva de los datos, la actualización de equipos y las diferencias poblacionales, y no solo parecer preciso en los datos de investigación.

La importancia de este estudio reside precisamente en que lleva la conversación sobre IA médica desde “ver lesiones en las imágenes” hacia “predecir eventos que aún no han ocurrido”. Puede que la TC torácica no se convierta por ello en una puerta de entrada universal al cribado cardiovascular, pero recuerda a la medicina clínica que los datos de imagen ya existentes todavía contienen señales biológicas que no se han aprovechado plenamente. El próximo paso clave será demostrar que estas señales no solo pueden ser leídas por algoritmos, sino también transformadas de forma responsable por el sistema sanitario en decisiones de atención más tempranas y más precisas.