El estudio LungIMPACT, publicado en Nature Medicine en 2026, evaluó si la priorización inmediata mediante inteligencia artificial de radiografías de tórax solicitadas desde atención primaria podía acortar los tiempos hacia la tomografía computarizada y el diagnóstico de cáncer de pulmón. El resultado central fue claro: en las condiciones analizadas, la IA no logró mejorar de manera significativa esos tiempos clínicos, aunque sí redujo el tiempo de emisión del informe radiológico.
Un ensayo clínico aleatorizado, prospectivo y multicéntrico realizado en cinco hospitales del NHS inglés analizó una pregunta de alto interés para la medicina y la inteligencia artificial: si un sistema de IA capaz de marcar radiografías de tórax sospechosas para revisión urgente podía acelerar el camino diagnóstico del cáncer de pulmón.
El trabajo incluyó 93.326 radiografías de tórax analizadas, obtenidas entre julio de 2023 y diciembre de 2024, sobre una cohorte de 86.945 pacientes. De ese total, 558 personas fueron finalmente diagnosticadas con cáncer de pulmón, lo que representa aproximadamente 0,6% de las radiografías estudiadas.
La intervención no consistió en reemplazar al médico, sino en priorizar automáticamente en la lista de trabajo aquellas radiografías que la IA consideraba anormales, para que fueran revisadas antes por el servicio de radiología. La IA estuvo presente en ambos grupos del ensayo; lo que cambió, por aleatorización, fue si esa priorización inmediata estaba activada o no.
Qué se quiso medir
Los investigadores definieron dos resultados principales:
- el tiempo hasta la tomografía computarizada (TC), y
- el tiempo hasta el diagnóstico de cáncer de pulmón.
También observaron otros puntos relevantes: derivaciones urgentes por sospecha de cáncer, tiempo hasta tratamiento, estadio del tumor al diagnóstico, concordancia entre IA y radiólogos y rendimiento del algoritmo.
Qué encontró el estudio
El hallazgo principal fue negativo en términos clínicos: la priorización por IA no redujo de manera significativa ni el tiempo hasta la tomografía ni el tiempo hasta el diagnóstico de cáncer de pulmón.
Los datos más importantes fueron los siguientes:
- Tiempo mediano hasta la TC: 53 días con priorización por IA y 53 días sin priorización.
- Tiempo mediano hasta el diagnóstico de cáncer de pulmón: 44 días con priorización por IA frente a 46 días sin priorización.
- Tiempo hasta la derivación urgente por sospecha de cáncer: 14 días frente a 15 días.
- Tiempo hasta el tratamiento oncológico: 76 días frente a 72,5/73 días, sin diferencias significativas.
- Estadio del cáncer al momento del diagnóstico: tampoco hubo diferencias estadísticamente significativas.
En otras palabras, la IA logró mover más rápido la radiografía dentro del flujo radiológico, pero ese adelanto no se tradujo en una mejora real del circuito asistencial completo.
El dato que sí cambió
Los autores sí observaron una reducción en el tiempo desde la realización de la radiografía hasta su informe: pasó de 47 horas a 34,1 horas. Sin embargo, esa ganancia no alcanzó para modificar los tiempos posteriores, que dependen de otros eslabones del sistema: disponibilidad de tomógrafos, organización hospitalaria, turnos, derivaciones y capacidad de respuesta clínica.
Este punto es central para interpretar el estudio: acelerar una etapa no garantiza acelerar todo el proceso si el resto de la vía diagnóstica sigue teniendo cuellos de botella.
Qué significa esto para la audiencia general
La lectura más importante no es que la IA “no sirva”, sino que no basta con agregar IA para que un sistema sanitario se vuelva más rápido o más eficaz. En este ensayo, la tecnología ayudó a señalar estudios sospechosos, pero no logró por sí sola acortar el trayecto hacia la confirmación diagnóstica.
Eso sugiere que el impacto de la IA en salud depende menos del entusiasmo tecnológico y más de cómo se integra en la práctica clínica real. Si no hay cambios simultáneos en la organización de la atención, la ganancia puede quedar limitada a una mejora administrativa o interna del servicio.
Hallazgos relevantes sobre precisión y discordancias
El estudio también mostró un punto sensible: hubo discordancia entre la IA y los informes radiológicos en 28.261 radiografías, equivalentes al 30,3% del total. Tras revisión experta, se identificaron hallazgos accionables en 6.750 casos.
Esto no significa automáticamente que la IA haya “fallado” en un tercio de los estudios, sino que hubo diferencias de lectura que exigieron revisión. Allí aparece uno de los desafíos clásicos de estas herramientas:
- los falsos positivos, que pueden sumar carga de trabajo y generar alertas innecesarias;
- y los falsos negativos, más preocupantes, porque suponen lesiones no marcadas inicialmente.
Los investigadores advierten que una implementación indiscriminada puede incluso producir efectos no deseados, como saturación de alertas o pérdida de confianza de los profesionales en el sistema.
Un dato exploratorio que merece atención
En los pacientes que efectivamente tuvieron cáncer, el estudio detectó una diferencia importante según cómo coincidían o no la IA y el informe humano.
Cuando tanto la IA como el radiólogo veían la radiografía como anormal, la mediana hasta la TC fue de 8 días y hasta el diagnóstico, de 38 días.
Pero cuando ambos la consideraban normal, el tiempo hasta la TC subía a 72 días y hasta el diagnóstico a 177 días.
Este análisis no cambia la conclusión principal del ensayo, pero sí deja una señal relevante: cuando una radiografía parece normal para la IA y para el lector humano, algunos cánceres pueden demorarse mucho más en detectarse. Es un recordatorio de que la radiografía de tórax tiene límites, y de que el juicio clínico y la evaluación del riesgo siguen siendo decisivos.
La conclusión de los autores
La conclusión del LungIMPACT es contundente: la priorización inmediata de radiografías de tórax mediante IA, en el contexto estudiado, no tuvo impacto significativo en la vía diagnóstica del cáncer de pulmón. Por eso, los autores sostienen que las implementaciones de IA en radiografía de tórax no deberían incorporar esta funcionalidad de priorización de lista de trabajo como estrategia para acelerar el diagnóstico, al menos en entornos comparables al analizado.
También señalan que futuras investigaciones deberían distinguir mejor entre dos cosas diferentes:
- el efecto propio de la IA, y
- el efecto de los cambios de organización clínica que puedan acompañarla.
Análisis
Desde una perspectiva informativa, el valor de este ensayo es doble. Primero, porque aporta evidencia robusta en un campo donde abundan promesas tecnológicas, pero faltan estudios clínicos de gran escala. Segundo, porque introduce una advertencia de fondo: en salud, una herramienta puede ser técnicamente sofisticada y aun así no modificar los resultados que importan al paciente.
El trabajo no clausura el debate sobre IA y radiología. Por el contrario, lo vuelve más serio. Muestra que la cuestión ya no es solo si un algoritmo detecta imágenes anormales, sino si esa detección mejora de verdad el tiempo, la calidad y la oportunidad del cuidado.
Para hospitales, gestores sanitarios y decisores públicos, el mensaje es especialmente relevante: invertir en IA sin rediseñar la vía asistencial puede agregar costos y complejidad sin beneficios clínicos mensurables.
Para la audiencia general, la enseñanza es clara: la inteligencia artificial puede ser una herramienta valiosa de apoyo, pero todavía no sustituye la necesidad de sistemas de salud bien organizados, equipos humanos capacitados y circuitos diagnósticos ágiles.
El ensayo LungIMPACT deja una conclusión prudente, pero de gran importancia: la IA puede acelerar una parte del trabajo radiológico, pero eso no necesariamente acelera el diagnóstico del cáncer de pulmón. En medicina, la innovación útil no se mide solo por su novedad, sino por su capacidad real para mejorar la atención de las personas.