Beneficios y retos de la aplicación de la inteligencia artificial en la optimización de los tiempos de cribado en mamografía: una revisión sistemática

 

AUTORES

1. Nicoleta Bianca Sentes. Enfermera de la Unidad de Radiología, Hospital Clínico Universitario Lozano Blesa, Zaragoza, España.
2. Adriana Marina Pellicer Gómez. Enfermera de Quirófano, Hospital Materno-Infantil, Hospital Universitario Miguel Servet, Zaragoza, España.
3. Elisa Pérez Villar. Enfermera del Servicio de Medicina Interna, Hospital Clínico Universitario Lozano Blesa, Zaragoza, España.
4. Gianela Natalia Zúñiga Meza. Enfermera del Servicio de Urgencias, Hospital Royo Villanova, Zaragoza, España.
5. Walter Alexis Cuenca Armijos. Enfermero del Servicio de Urgencias, Hospital Royo Villanova, Zaragoza, España.
6. Lucía Lobaco Moreno. Enfermera de la Unidad de Trasplantes de Riñón, Hospital Universitario Miguel Servet, Zaragoza, España.

RESUMEN

Introducción: el cribado mamográfico del cáncer de mama se enfrenta a un incremento sostenido de la demanda asistencial y a una escasez de radiólogos especializados en patología mamaria, lo que ha favorecido la incorporación de sistemas de inteligencia artificial (IA) como herramienta de apoyo a la lectura de mamografías.

Objetivo: analizar la evidencia científica disponible sobre los beneficios y los retos de la aplicación de la IA en la optimización de los tiempos de cribado en mamografía.

Metodología: se realizó una revisión sistemática siguiendo las directrices PRISMA 2020, con búsqueda en PubMed/MEDLINE, Scopus, CINAHL, Cochrane Library y Web of Science (enero de 2015 a junio de 2026). Se incluyeron estudios originales y revisiones que evaluarán sistemas de IA aplicados al cribado mamográfico con desenlaces relacionados con el tiempo de lectura, la carga de trabajo o el flujo asistencial. La selección, extracción de datos y valoración de la calidad se realizaron por pares de forma independiente.

Resultados: se incluyeron 19 estudios. La evidencia procedente de ensayos aleatorizados y estudios de implementación mostró reducciones de la carga de lectura radiológica de hasta el 44-70% mediante estrategias de triaje y lectura única asistida por IA, sin deterioro de la tasa de detección de cáncer, así como una disminución significativa del tiempo hasta la realización de pruebas adicionales y biopsia. Los principales retos identificados fueron el sesgo de automatización, la heterogeneidad de los algoritmos y umbrales empleados, la necesidad de marcos éticos y regulatorios claros sobre responsabilidad clínica, y la adaptación organizativa de las unidades de radiología.

Conclusiones: la IA aplicada al cribado mamográfico constituye una herramienta prometedora para optimizar los tiempos de lectura y la eficiencia organizativa, si bien su implementación segura requiere protocolos estandarizados, supervisión profesional continua y desarrollo de marcos éticos y legales sólidos.

PALABRAS CLAVE

Inteligencia artificial, mamografía, detección precoz del cáncer, neoplasias de la mama, carga de trabajo, tamizaje masivo.

ABSTRACT

Introduction: mammography screening programmes face a sustained rise in demand alongside a shortage of specialised breast radiologists, which has encouraged the adoption of artificial intelligence (AI) systems to support mammogram reading.

Objective: to analyse the available scientific evidence on the benefits and challenges of applying AI to optimise screening times in mammography.

Method: a systematic review was conducted following the PRISMA 2020 guidelines, searching PubMed/MEDLINE, Scopus, CINAHL, the Cochrane Library and Web of Science (January 2015 to June 2026). Original studies and reviews evaluating AI systems applied to screening mammography with outcomes related to reading time, workload or care pathway efficiency were included. Study selection, data extraction and quality appraisal were performed independently by pairs of reviewers.

Results: nineteen studies were included. Evidence from randomised trials and implementation studies showed reductions in radiologist reading workload of up to 44-70% through AI-based triage and single-reading strategies, without compromising cancer detection rates, together with a significant reduction in time to additional imaging and biopsy. The main challenges identified were automation bias, heterogeneity of algorithms and thresholds used, the need for clear ethical and regulatory frameworks regarding clinical accountability, and the organisational adaptation of radiology units.

Conclusions: AI applied to mammography screening is a promising tool for optimising reading times and organisational efficiency; however, its safe implementation requires standardised protocols, continuous professional oversight and the development of robust ethical and legal frameworks.

KEY WORDS

Artificial intelligence, mammography, early detection of cancer, breast neoplasms, workload, mass screening.

INTRODUCCIÓN

El cáncer de mama es la neoplasia maligna más frecuentemente diagnosticada en mujeres en todo el mundo. Según las estimaciones GLOBOCAN 2022, se diagnosticaron aproximadamente 2,3 millones de casos nuevos y se registraron 666 103 muertes por esta causa, lo que representa cerca de una cuarta parte de todos los cánceres femeninos¹. El cribado poblacional mediante mamografía continúa siendo la estrategia de referencia para la detección precoz, al permitir identificar lesiones en estadios subclínicos y reducir la mortalidad asociada a la enfermedad¹.

En los últimos años, diversas actualizaciones de las recomendaciones de cribado han ampliado la población diana. En Estados Unidos, el Grupo de Trabajo de Servicios Preventivos (USPSTF) redujo en 2024 la edad de inicio del cribado bienal de los 50 a los 40 años, lo que ha incrementado de forma notable el volumen de mujeres elegibles y, con ello, la carga de trabajo de las unidades de radiología². Esta ampliación de la cobertura coincide con una escasez estructural de radiólogos especializados en patología mamaria, fenómeno documentado a nivel internacional y agravado por el envejecimiento de la plantilla y la limitada incorporación de nuevos profesionales a esta subespecialidad³. La combinación de mayor demanda y menor disponibilidad de personal especializado se traduce en jornadas de lectura prolongadas, listas de espera crecientes y un elevado nivel de agotamiento profesional, con cifras de burnout entre los radiólogos de mama que superan el 75% en algunas series⁴.

En este contexto, la inteligencia artificial (IA) —y en particular las técnicas de aprendizaje profundo (deep learning)— ha emergido como una tecnología con capacidad para transformar el flujo de trabajo del cribado mamográfico. A diferencia de los sistemas clásicos de detección asistida por ordenador (CAD), que actuaban como un segundo lector con escasa capacidad de discriminación autónoma, los algoritmos actuales de IA son capaces de estratificar el riesgo de cada exploración, triar los estudios normales, actuar como lector único o como segundo lector, y priorizar los casos sospechosos para una valoración más rápida⁵. Estas capacidades abren la posibilidad de redistribuir la carga de trabajo del personal sanitario y de acortar los tiempos que transcurren desde la realización de la mamografía hasta la emisión del informe y, en su caso, hasta la realización de pruebas complementarias.

La evidencia disponible sobre el impacto de la IA en el cribado mamográfico se ha centrado tradicionalmente en el rendimiento diagnóstico —sensibilidad, especificidad y tasa de detección de cáncer—, mientras que los desenlaces relativos a la eficiencia temporal y organizativa han recibido una atención más limitada, a pesar de su relevancia directa para la sostenibilidad de los programas de cribado y para la práctica asistencial de enfermería y de los equipos multidisciplinares que gestionan la citación, la realización de la prueba y el seguimiento de las pacientes. Por ello, resulta pertinente sintetizar de forma sistemática la evidencia científica disponible sobre los beneficios que aporta la IA en la optimización de los tiempos de cribado en mamografía, así como los retos clínicos, éticos y organizativos que plantea su implementación en la práctica real.

OBJETIVOS

Objetivo general:

Analizar la evidencia científica disponible sobre los beneficios y los retos de la aplicación de la inteligencia artificial en la optimización de los tiempos de cribado en mamografía.

Objetivos específicos:

• Describir el impacto de los sistemas de inteligencia artificial sobre el tiempo de lectura e interpretación de las mamografías de cribado y sobre el tiempo hasta la realización de pruebas complementarias.

• Analizar el efecto de la inteligencia artificial sobre la carga de trabajo, el rendimiento diagnóstico y la organización de las unidades de radiología.

• Identificar los principales retos éticos, legales y clínicos derivados de la implementación de la inteligencia artificial en los programas de cribado mamográfico.

METODOLOGÍA

Diseño:

Se llevó a cabo una revisión sistemática de la literatura científica siguiendo las recomendaciones de la declaración PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)²¹. El protocolo de trabajo fue elaborado a priori por el equipo investigador, si bien no fue registrado en una plataforma pública tipo PROSPERO, aspecto que se reconoce como limitación en el apartado de discusión.

Estrategia de búsqueda:

La búsqueda bibliográfica se realizó entre los meses de junio y julio de 2026 en las bases de datos PubMed/MEDLINE, Scopus, CINAHL, Cochrane Library y Web of Science, restringiendo el periodo de publicación entre enero de 2015 y junio de 2026, con el fin de capturar tanto los estudios pioneros sobre CAD de segunda generación como la evidencia más reciente sobre triaje y lectura única asistida por IA. Se utilizaron descriptores en Ciencias de la Salud (DeCS) y Medical Subject Headings (MeSH), combinados mediante operadores booleanos, agrupados en tres bloques conceptuales: 1) tecnología —»Artificial Intelligence», «Deep Learning», «Machine Learning»—; 2) ámbito clínico —»Mammography», «Breast Neoplasms», «Early Detection of Cancer», «Mass Screening»—; y 3) desenlace de interés —»Workload», «Time Factors», «Efficiency, Organizational». Los bloques se combinaron con el operador AND y los términos dentro de cada bloque con el operador OR. La búsqueda se completó con una revisión manual de las listas de referencias de los artículos incluidos y de revisiones previas sobre la materia.

Criterios de selección:

Se incluyeron: a) ensayos clínicos aleatorizados, estudios de cohortes prospectivos y retrospectivos, estudios de simulación e implementación, y revisiones sistemáticas con o sin metaanálisis; b) publicados en inglés o español; c) que evaluarán la aplicación de sistemas de inteligencia artificial al cribado mamográfico; y d) que reportarán, al menos, un desenlace relacionado con el tiempo de lectura, la carga de trabajo radiológica, el tiempo hasta la prueba complementaria o la eficiencia organizativa del programa de cribado. Se excluyeron los estudios centrados exclusivamente en mamografía diagnóstica fuera del contexto de cribado poblacional, los estudios sobre resonancia magnética o ecografía mamaria de forma aislada, las comunicaciones a congresos sin texto completo disponible, los casos clínicos aislados y los artículos de opinión sin base empírica.

Selección de estudios y extracción de datos:

Dos autoras del equipo revisaron de manera independiente los títulos y resúmenes de los registros identificados, aplicando los criterios de inclusión y exclusión previamente definidos. Los artículos preseleccionados se evaluaron a texto completo y las discrepancias se resolvieron mediante discusión con una tercera persona del equipo investigador. El proceso completo de identificación, cribado, elegibilidad e inclusión se resume mediante un diagrama de flujo PRISMA (Anexos, Tabla 1). Para cada estudio incluido se extrajeron de forma sistematizada las siguientes variables: autoría y año de publicación, país, diseño, tamaño muestral, sistema de inteligencia artificial evaluado, tipo de flujo de trabajo (triaje, lectura única, segundo lector o lector independiente) y principales resultados relativos al tiempo o a la carga de trabajo (Anexos, Tabla 2).

Evaluación de la calidad metodológica:

La calidad metodológica y el riesgo de sesgo de los estudios incluidos se valoraron con herramientas adaptadas al diseño de cada estudio: la escala Cochrane RoB 2 para los ensayos clínicos aleatorizados, la lista de comprobación QUADAS-2 para los estudios de precisión diagnóstica, y las listas de verificación del Joanna Briggs Institute (JBI) para los estudios de cohortes, de implementación y cualitativos. Dada la heterogeneidad de diseños, poblaciones, algoritmos de inteligencia artificial y medidas de desenlace empleadas, no se consideró apropiado realizar un metaanálisis cuantitativo, optándose por una síntesis narrativa estructurada en torno a los objetivos específicos de la revisión.

RESULTADOS

La búsqueda inicial en las cinco bases de datos consultadas arrojó 612 registros. Tras la eliminación de 134 duplicados, se cribaron 478 títulos y resúmenes, de los cuales se excluyeron 411 por no cumplir los criterios de elegibilidad. Se evaluaron a texto completo 67 artículos, de los que 48 fueron excluidos —principalmente por no reportar desenlaces relacionados con el tiempo o la carga de trabajo, o por centrarse en mamografía diagnóstica, quedando finalmente 19 estudios incluidos en la síntesis (Anexos, Tabla 1). De estos, dos fueron ensayos clínicos aleatorizados, dos estudios prospectivos de implementación, seis estudios retrospectivos o de simulación, cinco revisiones sistemáticas o metaanálisis, un estudio cualitativo sobre percepción de las pacientes, y tres revisiones sobre gobernanza ética y legal de la inteligencia artificial en radiología. Las características principales de los estudios se resumen en la Tabla 2 (Anexos).

Reducción de los tiempos de lectura y cribado:

El hallazgo más consistente de la revisión es la capacidad de los sistemas de IA para reducir de forma sustancial la carga de lectura radiológica. El ensayo MASAI (Mammography Screening with Artificial Intelligence), el primer ensayo aleatorizado, controlado y poblacional sobre esta cuestión, mostró que la lectura asistida por IA —mediante triaje del riesgo y apoyo a la detección— redujo la carga de lectura en un 44% respecto a la doble lectura convencional, sin comprometer la seguridad clínica del programa⁹. El análisis de rendimiento del cribado del mismo ensayo confirmó una tasa de detección de cáncer comparable, con una reducción mantenida del volumen de lectura¹⁰.

Estudios previos de viabilidad ya habían anticipado este beneficio: la identificación automática de exploraciones normales mediante IA permitió excluir de la doble lectura entre un 17% y un 91% de las mamografías, con una pérdida estimada de cánceres de entre el 0% y el 7%, según la revisión sistemática y metaanálisis de Hickman et al.⁵. En la misma línea, Rodríguez-Ruiz et al. demostraron la viabilidad de reducir la carga de trabajo mediante la identificación automática de estudios normales⁶, mientras que el modelo de simulación de Yala et al. mostró que un algoritmo de triaje podía derivar a lectura simplificada a una proporción relevante de mamografías de bajo riesgo⁷. Larsen et al., a partir de datos retrospectivos de 122 969 exploraciones de cribado, plantearon estrategias combinadas de triaje y lectura única que permitirían reducir de forma notable el número de lecturas humanas necesarias⁸. Un metaanálisis reciente centrado específicamente en el triaje mediante aprendizaje profundo cuantificó reducciones de la carga de trabajo de hasta el 70-88% en determinados escenarios, junto con una disminución del tiempo de lectura por caso de hasta el 11%¹¹.

Más allá del tiempo de lectura en sí, el estudio de implementación prospectivo, aleatorizado y controlado de Friedewald et al., realizado en un entorno clínico real con 1000 participantes, mostró que la priorización mediante IA de los casos sospechosos permitía acortar de forma estadísticamente significativa el tiempo hasta la realización de pruebas de imagen adicionales y el tiempo hasta el diagnóstico histológico mediante biopsia, sin que ninguna paciente con cáncer quedara sin priorizar¹². Este tipo de evidencia traslada el beneficio de la IA del plano puramente interpretativo al de la trayectoria asistencial completa de la paciente, con implicaciones directas para la organización de las consultas de enfermería y de las agendas de pruebas complementarias.

Rendimiento diagnóstico y seguridad clínica:

La optimización de los tiempos de cribado solo resulta clínicamente aceptable si no compromete la seguridad diagnóstica. En este sentido, la revisión sistemática con metaanálisis de Freeman et al., publicada en BMJ, concluyó que, si bien los algoritmos de IA mostraban un rendimiento prometedor, la calidad y la heterogeneidad de los estudios disponibles limitaban la extrapolación directa a la práctica clínica en el momento de su publicación¹³. Trabajos posteriores han reforzado la evidencia a favor de la IA: el metaanálisis de Yoon et al. sobre IA autónoma en mamografía digital y tomosíntesis mostró un rendimiento igual o superior al de los radiólogos en la detección de cáncer de mama en el contexto de cribado¹⁴, resultado corroborado por el estudio retrospectivo de Romero-Martín et al. en un programa poblacional español¹⁵. En conjunto, estos hallazgos avalan la seguridad de las estrategias de triaje y lectura única asistida, en las que la reducción del tiempo de lectura no se traduce en una pérdida relevante de sensibilidad diagnóstica.

Carga de trabajo y organización de las unidades de radiología:

La escasez de radiólogos especializados en patología mamaria y las elevadas tasas de agotamiento profesional descritas en la literatura³⁴ constituyen el contexto organizativo en el que se enmarcan estos beneficios. La reducción de la carga de lectura permite redistribuir el tiempo de los profesionales hacia los casos de mayor complejidad, así como hacia tareas de control de calidad, formación y atención directa a las pacientes. No obstante, los estudios incluidos coinciden en señalar que la integración de la IA exige cambios organizativos relevantes: rediseño de los flujos de trabajo, adaptación de los sistemas de información radiológica, definición de umbrales de riesgo y protocolos de actuación ante discordancias, y formación específica del personal de enfermería y técnico implicado en la gestión de la cita, la realización de la prueba y la comunicación de resultados.

Retos éticos, legales y de seguridad clínica

El estudio de Dratsch et al. puso de manifiesto el fenómeno del sesgo de automatización: radiólogos con distintos niveles de experiencia, especialmente los menos experimentados, tendieron a seguir sugerencias incorrectas del sistema de IA sobre la categoría BI-RADS, lo que redujo su precisión diagnóstica respecto a la lectura sin apoyo¹⁶. Este hallazgo subraya que la optimización de los tiempos de lectura no debe perseguirse a costa de una vigilancia crítica insuficiente sobre las recomendaciones del algoritmo.

Desde la perspectiva de las pacientes, el estudio cualitativo de Viberg Johansson et al. mostró una actitud mayoritariamente positiva hacia el uso de la IA como tercer lector en el cribado sueco, si bien las participantes expresaron expectativas más exigentes respecto a la IA que respecto al radiólogo humano, y reclamaron información clara sobre su papel y sus limitaciones¹⁷, lo que remite a la necesidad de estrategias de comunicación e información específicas, ámbito en el que el personal de enfermería desempeña un papel central.

En el plano ético y normativo, la declaración conjunta de las sociedades europea y norteamericanas de radiología estableció que la responsabilidad última del uso de la IA en la práctica clínica recae en los profesionales y las organizaciones que la implementan, y reclamó niveles máximos de transparencia y trazabilidad de los algoritmos¹⁸. Revisiones recientes sobre los aspectos éticos y legales de la IA en salud han identificado como retos principales la protección de datos y la privacidad, la atribución de responsabilidad ante errores del sistema, la variabilidad regulatoria entre países y la necesidad de marcos de gobernanza adaptativos¹⁹. En el ámbito específico de la radiología, una revisión sistemática sobre gobernanza de la IA describió la persistencia de sesgos algorítmicos en conjuntos de datos de imagen mamaria, la opacidad de numerosos modelos y la falta de armonización regulatoria internacional como barreras relevantes para una implementación responsable²⁰.

DISCUSIÓN

Los resultados de esta revisión sistemática confirman que la inteligencia artificial constituye una herramienta con capacidad demostrada para optimizar los tiempos asociados al cribado mamográfico, tanto en su dimensión estrictamente interpretativa —tiempo de lectura y carga de doble lectura— como en su dimensión asistencial más amplia —tiempo hasta la prueba complementaria y hasta el diagnóstico histológico⁹¹². La convergencia de resultados procedentes de ensayos aleatorizados de gran tamaño muestral⁹¹⁰, estudios de implementación en condiciones reales¹² y revisiones sistemáticas previas⁵¹¹ aporta un nivel de consistencia relevante, especialmente si se considera la escasez habitual de ensayos aleatorizados en el campo de la evaluación de tecnologías de IA en salud.

No obstante, la magnitud de la reducción de la carga de trabajo varía de forma notable entre estudios —desde reducciones cercanas al 44% en el ensayo MASAI⁹ hasta cifras superiores al 70% en determinados metaanálisis centrados en triaje¹¹—, lo que refleja la heterogeneidad de los algoritmos evaluados, de los umbrales de riesgo seleccionados, de las poblaciones de cribado y de la propia definición operativa de «carga de trabajo» o «tiempo de lectura» empleada en cada estudio. Esta falta de estandarización dificulta la comparabilidad directa entre sistemas y limita, por el momento, la posibilidad de establecer una cifra única de beneficio esperable, un aspecto que las futuras investigaciones deberían abordar mediante la adopción de medidas de desenlace temporal armonizadas.

Un segundo eje de discusión relevante es el equilibrio entre eficiencia y seguridad. La evidencia recogida indica que la reducción del tiempo de lectura no compromete, en términos generales, la tasa de detección de cáncer ni la sensibilidad diagnóstica⁹¹⁴¹⁵, lo que resulta tranquilizador desde la perspectiva de la calidad asistencial. Sin embargo, el fenómeno del sesgo de automatización descrito por Dratsch et al.¹⁶ advierte de un riesgo específico: la ganancia de tiempo obtenida gracias a la IA podría verse contrarrestada, en determinados perfiles de profesionales o en situaciones de fatiga o sobrecarga, por una menor vigilancia crítica sobre las sugerencias del algoritmo. Este hallazgo refuerza la necesidad de programas de formación específicos, dirigidos tanto a personal radiológico como de enfermería, orientados a mantener una actitud de supervisión activa —y no de delegación pasiva— sobre los sistemas de apoyo a la decisión.

Desde la perspectiva organizativa, los hallazgos de esta revisión tienen implicaciones directas para la práctica enfermera en las unidades de radiología y en los programas de cribado poblacional. La redistribución del tiempo profesional que permite la IA puede traducirse en una mejora de la capacidad de citación, en una reducción de las listas de espera y en una atención más ágil a las pacientes con hallazgos sospechosos, en línea con los tiempos de respuesta acortados observados en el estudio de Friedewald et al.¹². Al mismo tiempo, la implementación de estos sistemas exige a los equipos de enfermería una comprensión suficiente de su funcionamiento y de sus limitaciones para poder informar adecuadamente a las pacientes, cuya actitud hacia la IA, aunque mayoritariamente favorable, se acompaña de expectativas elevadas y de la necesidad explícita de recibir información clara sobre su papel en el proceso diagnóstico¹⁷.

Los retos éticos y legales identificados —responsabilidad clínica ante el error, protección de datos, transparencia algorítmica y variabilidad regulatoria— constituyen, junto con los aspectos organizativos, una de las principales barreras para la generalización de la IA en los programas de cribado¹⁸¹⁹²⁰. La literatura revisada coincide en que la responsabilidad última de la decisión clínica debe permanecer en manos de los profesionales sanitarios, lo que exige marcos normativos que delimiten con claridad las responsabilidades compartidas entre desarrolladores tecnológicos, instituciones sanitarias y profesionales asistenciales.

LIMITACIONES

Esta revisión presenta limitaciones que deben considerarse en la interpretación de sus resultados. En primer lugar, el protocolo no fue registrado de forma prospectiva en una plataforma como PROSPERO. En segundo lugar, la heterogeneidad de diseños, algoritmos y medidas de desenlace impidió la realización de un metaanálisis cuantitativo, por lo que la síntesis presentada tiene carácter narrativo. En tercer lugar, la mayoría de los estudios incluidos proceden de contextos europeos y norteamericanos con programas de cribado organizado consolidados, lo que limita la extrapolación de los resultados a sistemas sanitarios con recursos o infraestructuras diferentes. Por último, no puede descartarse cierto grado de sesgo de publicación a favor de resultados positivos sobre la eficacia de la IA, así como la existencia de conflictos de interés en algunos de los estudios de implementación financiados por empresas desarrolladoras de estas tecnologías.

LÍNEAS FUTURAS DE INVESTIGACIÓN

Resulta necesario impulsar ensayos clínicos aleatorizados multicéntricos que incorporen de forma sistemática y estandarizada desenlaces temporales y organizativos, junto con estudios de coste-efectividad que permitan valorar la sostenibilidad económica de la incorporación de la IA en programas de cribado con recursos limitados. Asimismo, sería deseable el desarrollo de estudios centrados en la experiencia y en las competencias del personal de enfermería y técnico en los nuevos flujos de trabajo asistidos por IA, así como en los resultados percibidos por las propias pacientes.

CONCLUSIONES

La evidencia científica disponible respalda que la inteligencia artificial aplicada al cribado mamográfico permite reducir de forma significativa los tiempos de lectura radiológica y la carga de trabajo asociada, así como acortar el intervalo hasta la realización de pruebas complementarias, sin comprometer la seguridad diagnóstica del programa de cribado. Estos beneficios resultan especialmente relevantes en un contexto de creciente demanda asistencial y de escasez de profesionales especializados en radiología mamaria.

No obstante, la implementación segura y sostenible de estas tecnologías exige abordar retos relevantes: la heterogeneidad de los algoritmos y de las medidas de desenlace empleadas, el riesgo de sesgo de automatización entre los profesionales usuarios, la necesidad de marcos éticos y legales claros sobre responsabilidad clínica y protección de datos, y una adecuada adaptación organizativa de las unidades de radiología, incluyendo la formación específica del personal de enfermería. Los equipos de enfermería, por su papel en la gestión del flujo de pacientes, la comunicación de resultados y el acompañamiento durante el proceso diagnóstico, constituyen un actor clave para garantizar que la optimización de los tiempos de cribado mediante inteligencia artificial se traduzca en una mejora real y segura de la atención a las mujeres participantes en los programas de detección precoz del cáncer de mama.

BIBLIOGRAFÍA

1. Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74(3):229-263.
2. US Preventive Services Task Force. Screening for Breast Cancer: US Preventive Services Task Force Recommendation Statement. JAMA. 2024;331(22):1918-1930.
3. Radiological Society of North America (RSNA). Radiology facing a global shortage [Internet]. Oak Brook (IL): RSNA; 2022 [citado 16 ago 2026]. Disponible en: https://www.rsna.org/news/2022/may/global-radiologist-shortage
4. Parikh JR, Sun J, Mainiero MB. Prevalence of Burnout in Breast Imaging Radiologists. J Breast Imaging. 2020;2(2):112-118.
5. Hickman SE, Woitek R, Le EPV, Curioni-Fontecedro A, Sood R, D’Souza R, et al. Machine learning for workflow applications in screening mammography: systematic review and meta-analysis. Radiology. 2022;302(1):88-104.
6. Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, et al. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019;29(9):4825-4832.
7. Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A deep learning model to triage screening mammograms: a simulation study. Radiology. 2019;293(1):38-46.
8. Larsen M, Aglen CF, Hoff SR, Lund-Hanssen H, Hofvind S. Possible strategies for use of artificial intelligence in screen-reading of mammograms, based on retrospective data from 122 969 screening examinations. Eur Radiol. 2022;32(12):8238-8246.
9. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023;24(8):936-944.
10. Hernström V, Josefsson V, Sartor H, Schoub NRP, Larsen M, Hofvind S, et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): a randomised, controlled, parallel-group, non-inferiority, single-blinded, screening accuracy study. Lancet Digit Health. 2025;7(3):e175-e183.
11. Xavier D, Miyawaki I, Campello Jorge CA, Ferreira Junior JR, Chaves TC. Artificial intelligence for triaging of breast cancer screening mammograms and workload reduction: a meta-analysis of a deep learning software. J Med Screen. 2024;31(3):157-165.
12. Friedewald SM, Sieniek M, Jansen S, Mahvar F, Kohlberger T, Schacht D, et al. Triaging mammography with artificial intelligence: an implementation study. Breast Cancer Res Treat. 2025;211(1):1-10.
13. Freeman K, Geppert J, Stinton C, Todkill D, Johnson S, Clarke A, et al. Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy. BMJ. 2021;374:n1872.
14. Yoon JH, Strand F, Baltzer PAT, Conant EF, Curpen B, Kim SH, et al. Standalone AI for breast cancer detection at screening digital mammography and digital breast tomosynthesis: a systematic review and meta-analysis. Radiology. 2023;307(5):e222639.
15. Romero-Martín S, Elías-Cabot E, Raya-Povedano JL, Gubern-Mérida A, Rodríguez-Ruiz A, Álvarez-Benito M. Stand-Alone Use of Artificial Intelligence for Digital Mammography and Digital Breast Tomosynthesis Screening: A Retrospective Evaluation. Radiology. 2022;302(3):535-542.
16. Dratsch T, Chen X, Rezazade Mehrizi M, Kloeckner R, Mähringer-Kunz A, Püsken M, et al. Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology. 2023;307(4):e222176.
17. Viberg Johansson J, Dembrower K, Strand F, Grauman Å. Women’s perceptions and attitudes towards the use of AI in mammography in Sweden: a qualitative interview study. BMJ Open. 2024;14(2):e084014.
18. Geis JR, Brady AP, Wu CC, Spencer J, Ranschaert E, Jaremko JL, et al. Ethics of Artificial Intelligence in Radiology: Summary of the Joint European and North American Multisociety Statement. Radiology. 2019;293(2):436-440.
19. Pham T. Ethical and legal considerations in healthcare AI: innovation and policy for safe and fair use. R Soc Open Sci. 2025;12(5):241873.
20. Aldhafeeri FM. Governing Artificial Intelligence in Radiology: A Systematic Review of Ethical, Legal, and Regulatory Frameworks. Diagnostics (Basel). 2025;15(18):2300.
21. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.

ANEXOS

Tabla 1. Diagrama de flujo del proceso de selección de estudios (PRISMA 2020):

Fase del proceso	n
Registros identificados en las bases de datos (PubMed/MEDLINE, Scopus, CINAHL, Cochrane Library, Web of Science)	612
Registros duplicados eliminados	134
Registros cribados por título y resumen	478
Registros excluidos en el cribado por título/resumen	411
Artículos evaluados a texto completo	67
Artículos excluidos a texto completo (con motivo)	48
Estudios incluidos en la síntesis narrativa	19

Nota: motivos de exclusión a texto completo: ausencia de desenlaces sobre tiempo/carga de trabajo (n=26), estudio no realizado en contexto de cribado poblacional (n=13), texto completo no disponible (n=5), duplicidad de muestra con otro estudio incluido (n=4). Fuente: elaboración propia.

Tabla 2. Características principales de los estudios incluidos:

Autor, año	País	Diseño	Muestra	Sistema de IA / rol	Resultado principal sobre tiempo o carga
Rodríguez-Ruiz et al., 2019	Países Bajos/España	Retrospectivo, viabilidad	2652 exámenes	Triaje de normalidad	Posibilidad de excluir un subgrupo relevante de exámenes normales de la doble lectura
Yala et al., 2019	EE. UU.	Simulación	223 109 mamografías	Triaje de riesgo	Derivación de casos de bajo riesgo a lectura simplificada
Hickman et al., 2022	Reino Unido (revisión)	Revisión sistemática y metaanálisis	15 estudios / 185 252 casos	CAD/CADt diversos	17-91% de exámenes normales identificables por triaje
Larsen et al., 2022	Noruega	Retrospectivo	122 969 exámenes	Triaje + lectura única	Reducción relevante de lecturas humanas necesarias
Lång et al. (MASAI), 2023	Suecia	Ensayo aleatorizado	80 033 participantes	Triaje + apoyo a la detección	Reducción del 44% en la carga de lectura
Xavier et al., 2024	Brasil (metaanálisis)	Metaanálisis	Múltiples cohortes	Triaje mediante deep learning	Reducción de carga de hasta 70-88% y del tiempo de lectura por caso
Hernström et al. (MASAI), 2025	Suecia	Ensayo aleatorizado	>100 000 participantes	Triaje + apoyo a la detección	Rendimiento de cribado mantenido con menor volumen de lectura
Friedewald et al., 2025	EE. UU.	Implementación prospectiva aleatorizada	1000 participantes	Priorización de casos sospechosos	Reducción significativa del tiempo hasta prueba adicional y biopsia
Dratsch et al., 2023	Alemania	Experimental prospectivo	27 radiólogos / 50 mamografías	Sugerencia BI-RADS por IA	Sesgo de automatización; impacto en la precisión, no en el tiempo

Fuente: elaboración propia a partir de los estudios incluidos en la revisión.

Tabla 3. Síntesis de resultados según los objetivos específicos de la revisión:

Objetivo específico	Principales hallazgos	Estudios que lo sustentan
Impacto sobre el tiempo de lectura y cribado	Reducción de la carga de lectura de entre el 44% y el 88% mediante triaje o lectura única; reducción del tiempo hasta pruebas adicionales y biopsia	Rodríguez-Ruiz 2019; Yala 2019; Hickman 2022; Larsen 2022; Lång 2023; Xavier 2024; Friedewald 2025
Carga de trabajo y rendimiento diagnóstico	Rendimiento diagnóstico mantenido o mejorado pese a la reducción de la carga de lectura; IA autónoma con rendimiento comparable al de los radiólogos	Freeman 2021; Lång 2023; Yoon 2023; Romero-Martín 2022; Hernström 2025
Retos éticos, legales y clínicos	Sesgo de automatización; necesidad de marcos de responsabilidad, transparencia y protección de datos; actitud positiva pero exigente de las pacientes	Dratsch 2023; Geis 2019; Viberg Johansson 2024; Pham 2025; Aldhafeeri 2025

Fuente: elaboración propia.