La inteligencia artificial está llegando a los departamentos de radiología de Asia con datos concretos que merecen atención. Dos grandes ensayos clínicos —uno en Corea del Sur y otro en China— ofrecen evidencia de lo que la IA puede (y no puede) hacer realmente en la interpretación de imágenes médicas.
Corea del Sur: más detección, mismo tiempo
Un ensayo clínico aleatorizado publicado en el American Journal of Roentgenology evaluó una herramienta de IA integrada en el PACS de un hospital terciario de Seúl. Participaron 10 radiólogos torácicos interpretando tomografías de baja dosis de pacientes asintomáticos en chequeos de salud.
Los exámenes se asignaron aleatoriamente a interpretación con o sin asistencia de IA. El resultado principal: no hubo diferencia significativa en el tiempo de interpretación (187 vs. 172 segundos, p=.23). Pero la detección fue otra historia:
- Nódulos con categoría Lung-RADS positiva: 16.9% vs. 10.3% (p=.03)
- Todos los nódulos detectados: 52.9% vs. 32.6% (p=.002)
- Recomendaciones de seguimiento: 15.3% vs. 7.4% (p=.04)
La IA detectó significativamente más nódulos clínicamente significativos sin aumentar el tiempo de lectura. Sin embargo, el seguimiento posterior (mediana de 215 días) no reveló ningún caso de cáncer de pulmón en ninguno de los dos grupos, lo que plantea la pregunta inevitable: ¿estamos detectando más o estamos sobrediagnosticando?
China: la IA acelera, pero no siempre
Un estudio publicado en el Journal of Medical Internet Research analizó 185,044 informes de tomografías torácicas de dos hospitales de Pekín (2018-2023) usando un diseño difference-in-differences. Los resultados mostraron una heterogeneidad notable entre instituciones:
- En el Hospital Anzhen de Pekín, la IA redujo el tiempo de redacción en 2.66 minutos tras dos años de uso (aproximadamente 28% de ahorro).
- En el Hospital Tsinghua Changgung, el efecto fue un aumento no significativo de 0.90 minutos.
La lección clave: la implementación importa tanto como la tecnología. El Hospital Anzhen llevaba más tiempo con la IA (desde 2019), mientras que Tsinghua Changgung la implementó en 2021 con menor tiempo de adaptación. Los autores concluyen que las ganancias de eficiencia son “heterogéneas y dependientes del contexto local, las curvas de aprendizaje y la dinámica de implementación”.
El modelo Janus-Pro: IA accesible para todos
Un tercer estudio, publicado en Nature Communications, presentó Janus-Pro-CXR, un sistema de IA con solo mil millones de parámetros optimizado para radiografía torácica. Entrenado con datos de 27 hospitales chinos, el modelo opera en una laptop con tarjeta RTX 4060 con latencia de 1-2 segundos.
En un ensayo prospectivo multicéntrico con 296 pacientes, la asistencia de IA mejoró significativamente la calidad de los informes de radiólogos junior (puntuación 4.36 vs. 4.12, p<.001) y redujo el tiempo de interpretación en 18.3% (120.6 vs. 147.6 segundos). Para casos complejos con 3 o más hallazgos, el ahorro fue de 32.5 segundos por informe.
El dato práctico: un radiólogo que lee 200 radiografías diarias ahorraría 90 minutos al día, tiempo que puede destinarse a análisis de casos complejos o a reducir la fatiga visual.
¿Qué significa esto para las clínicas?
Estos estudios revelan tres verdades prácticas:
- La IA no reemplaza al radiólogo, lo potencia. Los radiólogos con asistencia de IA detectan más, pero la decisión clínica sigue siendo humana.
- La implementación es el cuello de botella. No basta con comprar software: se necesita capacitación, adaptación de workflows y paciencia (mínimo 6-12 meses para ver ganancias de eficiencia).
- El sobrediagnóstico es un riesgo real. Más detección de nódulos significa más seguimiento, más ansiedad en pacientes y más costos. Los sistemas necesitan protocolos claros de manejo.
Para las clínicas en Latinoamérica que consideran adoptar IA en radiología, la evidencia asiática sugiere que el retorno de la inversión es real pero requiere planificación. Empezar con herramientas ligeras que se integren al PACS existente, capacitar al equipo gradualmente y establecer protocolos de seguimiento antes de la implementación.
Fuentes: AJR (2026), Journal of Medical Internet Research (2026), Nature Communications (2026).
