La IA ayuda a los clínicos con informes complejos de patología oncológica

Los equipos de oncología dependen cada vez más de informes de patología que integran histopatología, inmunohistoquímica y pruebas de biomarcadores en rápida expansión. A medida que los pacientes viven más tiempo y se someten a análisis repetidos en diferentes instituciones, estos informes pueden volverse extensos y difíciles de sintetizar bajo presión de tiempo.

Omitir detalles moleculares o genómicos puede afectar la selección del tratamiento y la calidad de la documentación. Un nuevo estudio demuestra que la inteligencia artificial puede generar resúmenes más completos de estos complejos informes oncológicos.

Investigadores de la Facultad de Medicina Feinberg de la Universidad Northwestern (Chicago, Illinois, EE. UU.) evaluaron modelos de lenguaje de gran tamaño ( (LLM, por sus siglas en inglés) de código abierto para la generación automática de resúmenes de informes de patología oncológica. El enfoque se centra en el uso de LLM para convertir narrativas de texto libre en resúmenes estructurados y orientados al clínico. Los hallazgos se publicaron en JCO Clinical Cancer Informatics el 8 de abril de 2026.

La tecnología evaluada incluyó seis modelos de lenguaje natural (LLM) descargables y ejecutables localmente: los modelos Llama 3.0, 3.1 y 3.2 de Meta; Gemma 9B de Google; Mistral 7.2B; y DeepSeek-R1. Estos sistemas analizaron el texto de informes anonimizados y generaron resúmenes que capturaron dominios clave, como descripciones histopatológicas, resultados inmunohistoquímicos y datos moleculares y genéticos relevantes para el tratamiento. El objetivo era estandarizar la extracción de detalles clínicamente relevantes que, de otro modo, podrían estar dispersos en documentos extensos.

Los investigadores analizaron 94 informes patológicos anonimizados de pacientes con cáncer de pulmón y compararon los resúmenes generados por IA con resúmenes clínicos previamente redactados por médicos. Un panel de oncólogos evaluó cada resumen en cuanto a precisión, exhaustividad, concisión y riesgo clínico potencial. En todos los modelos, los resúmenes generados por IA fueron calificados sistemáticamente como más completos, con las mejoras más notables en la inclusión de hallazgos moleculares y genómicos; DeepSeek y Llama 3.1 obtuvieron los mejores resultados entre los modelos evaluados.

Los autores describen la innovación como una capa de apoyo que complementa, no reemplaza, la experiencia clínica al resaltar los hallazgos clave, identificar la información faltante y mejorar la coherencia en la documentación. Señalan que se está desarrollando una aplicación que utiliza Llama 3.1 para permitir que los médicos revisen los resúmenes generados por IA, y que se planean pruebas y validaciones adicionales antes de su implementación.

“A medida que la atención oncológica se vuelve cada vez más compleja, la carga de sintetizar informes complejos aumenta rápidamente. Lo que observamos es que la IA puede ayudar a garantizar que los detalles patológicos y genómicos críticos se registren de manera consistente, no como un reemplazo para los médicos, sino como una herramienta para complementar la toma de decisiones clínicas”, afirmó Mohamed Abazeed, director y profesor de oncología radioterápica en la Facultad de Medicina Feinberg de la Universidad Northwestern.

"Si la IA puede sintetizar estos informes de forma fiable, los médicos podrán revisar los hallazgos clave con mayor eficiencia, se reducirá la probabilidad de pasar por alto detalles genéticos importantes y la documentación se estandarizará. Esto podría ayudar a los médicos a centrarse más en la atención al paciente", afirmó Troy Teo, profesor de radiooncología en Feinberg.

Enlaces relacionados
Facultad de Medicina Feinberg de la Universidad Northwestern

Visitar la expo >

Miembro Oro

Automatic Hematology Analyzer

CF9600

Software de laboratorio
Acusera 24•7

Immunofluorescence Analyzer

IFA System

Japanese Encephalitis Test

Japanese Encephalitis Virus Real Time PCR Kit