Memo/rándum

Desde hace más de 20 años, RECIST define en los ensayos clínicos si un tumor responde o progresa. En JAMA Oncology, Nabhan y Subbiah afirman que “persiste por conveniencia, no por ciencia”. Su argumento: los umbrales son arbitrarios, la inmunoterapia y la biopsia líquida dejaron ver sus límites, y la IA podría integrar todo en una probabilidad continua de beneficio.

En este episodio de Memorándum cuento una historia que el editorial no menciona. En 1976, dieciséis oncólogos midieron esferas escondidas bajo hule espuma, y de ese experimento nació el umbral de respuesta. También reviso qué tan frecuente es la seudoprogresión, qué propone LB-RECIST y qué dice la evidencia más reciente sobre la IA para medir tumores.

En “Si yo fuera el editor” comento las referencias del editorial y el riesgo de cambiar la variabilidad entre radiólogos por variabilidad entre algoritmos. Además, me pregunto dónde queda el radiólogo en este nuevo marco. Y en la tropicalización: en México, antes de ir más allá de RECIST, primero tenemos que llegar a RECIST.

Link del artículo: Nabhan C, Subbiah V. JAMA Oncol 2026. doi:10.1001/jamaoncol.2026.3869

¿Qué nos dice una masa quística renal más allá de su categoría Bosniak?

Un estudio multicéntrico de 421 masas operadas encontró que la probabilidad estimada de cáncer con histología desfavorable fue del 10% en Bosniak III y del 32% en Bosniak IV. Dentro de Bosniak IV, un nódulo de mayor tamaño se asoció con mayor probabilidad de estos hallazgos.

Medir el nódulo aporta información adicional, pero el estudio no establece un umbral para decidir entre vigilancia y cirugía.

En este episodio de Memorándum, revisamos los resultados y sus implicaciones clínicas.

Link del artículo: https://doi.org/10.1148/radiol.252603

La inteligencia artificial promete transformar la radiología, pero su verdadero valor no estará solamente en detectar enfermedades. Estará en reducir tareas repetitivas, acelerar los estudios, mejorar los informes y aprovechar mejor la información contenida en cada imagen.En este episodio de Memorandum analizamos el llamado a la acción de la IS3R: una propuesta para convertir la radiología en el punto de entrada de una transformación más amplia de la atención médica.Link del artículo: https://doi.org/10.1148/radiol.253974

La indicación clínica deficiente es un problema de 30 años sin solución. Un estudio de UCSF en Radiology puso a la IA a escribir la historia clínica leyendo el expediente: 20 radiólogos cegados la prefirieron sobre el médico referente y hasta sobre otros radiólogos. Analizamos el diseño, los números, los errores, y qué significa para México y América Latina.

Referencia: Serapio A, Chen TL, et al. Radiology. 2026;320(2):e253238 · Código: github.com/bdrad/llm-radiological-clinical-history-summarization

Tu PACS te muestra un letrerito: "Infarct detected". ¿Le hacescaso? ¿Lo guardas? ¿Y si termina en un juzgado?

En este episodio analizamos la Parte II del primer de IA para radiología publicado en Radiology (Tejani et al., 2026): qué tipos de resultados de IA existen y cuáles NO sirven para diagnóstico, por qué el "80% de confianza" del algoritmo no es un valor predictivo, cómo viaja un resultado de IA hasta tu monitor (y por qué a veces nunca llega), y la evidencia incómoda del sesgo de automatización: cuando la IA se equivoca, el radiólogo se equivoca con ella.

Como siempre, lo tropicalizamos: qué significa todo esto para lateleradiología de alto volumen, los PACS heterogéneos y el vacío regulatorio de México y América Latina. Y nos llevamos algo práctico: el "sanity check" de 10 casos que cualquier práctica puede hacer antes de comprar una IA — sin departamento de ciencia de datos.

Para radiólogos, residentes, jefes de departamento… y cualquier médico o paciente que se haya topado con una marca de IA en un estudio de imagen.

Artículo comentado: Tejani AS, et al. AI for Radiology: A Primer Part II. Interacting with AI Results. Radiology. 2026;320(1):e252702.https://doi.org/10.1148/radiol.252702

La inteligencia artificial ya participa en la interpretación de estudios de imagen. Pero hay una pregunta que hemos discutido mucho menos: ¿el paciente tiene derecho a saberlo?

Un estudio publicado en Radiology en 2026 encontró que el 96% de los pacientes encuestados consideraba que debía ser informado cuando se utilizara IA para reportar imágenes. Además, casi dos terceras partes atribuían responsabilidad tanto al radiólogo como a la herramienta de IA cuando el resultado era incorrecto.  

En este episodio de Memorándum analizamos qué significan realmente estos hallazgos y por qué informar no es lo mismo que pedir consentimiento. ¿Debe notificarse igual una IA que prioriza estudios, una que segmenta lesiones y otra que influye directamente en el diagnóstico? ¿Quién responde cuando una decisión clínica surge de la interacción entre médico y algoritmo?

Una conversación sobre transparencia, confianza, consentimiento y responsabilidad en la nueva radiología asistida por inteligencia artificial.

Link del artículo: https://doi.org/10.1148/radiol.260450

En este episodio de Memorándum analizamos tres publicaciones recientes de JAMA Oncology que muestran cómo la imagen médica está dejando de ser solo una herramienta diagnóstica para convertirse en un verdadero biomarcador pronóstico y de respuesta terapéutica.

A propósito de una revisión sistemática y metaanálisis sobre resonancia magnética pretratamiento en cáncer de próstata, revisamos cómo hallazgos como la extensión extraprostática, la invasión de vesículas seminales, el PI-RADS, el ADC y el tamaño tumoral pueden aportar información independiente sobre recurrencia bioquímica, falla metastásica y mortalidad específica por cáncer.

También comentamos el estudio IMPACT-MBC, que evaluó el papel del FDG-PET/CT temprano, realizado apenas dos semanas después de iniciar tratamiento sistémico en cáncer de mama metastásico. Sus resultados sugieren que la respuesta metabólica precoz puede anticipar desenlaces mucho antes que la evaluación anatómica convencional por CT.

El mensaje central es claro: la radiología oncológica ya no solo debe responder dónde está el tumor o cuánto mide. Cada vez más, debe ayudar a estimar riesgo, anticipar respuesta, identificar resistencia temprana e integrarse a modelos de medicina de precisión.

Pero también hay una advertencia importante: predecir no es lo mismo que demostrar utilidad clínica. Para transformar la práctica, los biomarcadores de imagen deberán validarse prospectivamente y demostrar que mejoran decisiones reales para los pacientes.

En este episodio de Memorándum analizo un estudio recién publicado en Radiology (Schramm et al.) y su editorial (McMillan). Doce lectores de tres niveles de experiencia interpretaron 40 resonancias cerebrales con y sin asistencia de modelos de lenguaje).El hallazgo: la precisión de la IA fue mayor cuando la alimentaban neurorradiólogos expertos (≈79–84%) y menor con residentes referentes (≈63–67%). Pero la ganancia diagnóstica fue inversa a la experiencia: +19.4% para los menos expertos, apenas +4.4% para los especialistas.La lección, válida para toda la medicina: el modelo no ve al paciente, ve tu descripción. La habilidad de observar y describir bien sigue siendo el activo escaso —y el riesgo de sobreconfianza y desentrenamiento es real, sobre todo en formación.En el episodio comento además qué significa esto para México y Latinoamérica: idioma, brecha de expertos y el riesgo de saltarse al radiólogo.

En este episodio de Memorándum comentamos la perspectiva del New England Journal of Medicine titulada “Can AI Say ‘I Don’t Know’?”, una reflexión breve pero profundamente relevante sobre inteligencia artificial, medicina, incertidumbre clínica y seguridad del paciente.

A partir de una pregunta aparentemente simple —¿puede una IA decir “no lo sé”?— analizamos por qué la capacidad de reconocer los límites del conocimiento no es una debilidad, sino una competencia esencial en la práctica médica.

Desde la radiología, esta discusión adquiere una relevancia particular. Nuestra especialidad vive entre imágenes, patrones, probabilidades y contexto clínico. No todo hallazgo permite una conclusión definitiva, y no toda respuesta segura es necesariamente correcta.

La IA médica del futuro no deberá ser solo más rápida o más convincente. Deberá ser capaz de reconocer la incertidumbre, pedir más información, evitar cierres diagnósticos prematuros y complementar el juicio humano.

Porque en medicina, a veces, una de las respuestas más inteligentes sigue siendo: “no lo sé.”

En este episodio de Memorándum comentamos la perspectiva del New England Journal of Medicine titulada “Can AI Say ‘I Don’t Know’?”, una reflexión breve pero profundamente relevante sobre inteligencia artificial, medicina, incertidumbre clínica y seguridad del paciente.

A partir de una pregunta aparentemente simple —¿puede una IA decir “no lo sé”?— analizamos por qué la capacidad de reconocer los límites del conocimiento no es una debilidad, sino una competencia esencial en la práctica médica.

Desde la radiología, esta discusión adquiere una relevancia particular. Nuestra especialidad vive entre imágenes, patrones, probabilidades y contexto clínico. No todo hallazgo permite una conclusión definitiva, y no toda respuesta segura es necesariamente correcta.

La IA médica del futuro no deberá ser solo más rápida o más convincente. Deberá ser capaz de reconocer la incertidumbre, pedir más información, evitar cierres diagnósticos prematuros y complementar el juicio humano.

Porque en medicina, a veces, una de las respuestas más inteligentes sigue siendo: “no lo sé.”