Fuente: PubMed PMID 42667959 · Endocrine practice : official journal of the American College of Endocrinology and the American Association of Clinical Endocrinologists (2026)
Score: 8.0/10 · Generado: 2026-09-01T07:17:48.476868 · Motor: qwen36-dsv4 local
Aviso de transparencia IA Act
La IA en el cáncer de tiroides: de la ecografía a la predicción molecular, pero aún lejos de la práctica rutinaria
Keyfacts
| Aplicación más madura | Predicción molecular no invasiva |
|---|---|
| La IA en ecografía para estratificación de riesgo de nódulos tiroideos es la aplicación más avanzada y con mayor evidencia PMID: 42667959. | La radiómica y la patología digital pueden predecir mutaciones BRAF V600E, RAS y fusiones sin biopsia, aunque la mayoría de herramientas son aún investigacionales PMID: 42667959. |
| Mejora del pronóstico | IA en cirugía y ojo tiroideo |
|---|---|
| El machine learning refina la predicción de recurrencia más allá de la estratificación de riesgo convencional y guía la selección de dosis de radioyodo PMID: 42667959. | La fluorescencia infrarroja aumentada con IA avanza hacia la identificación en tiempo real de glándulas paratiroides durante la cirugía, y la IA también evalúa la actividad del ojo tiroideo y la respuesta a glucocorticoides PMID: 42667959. |
Contexto / Por qué importa
El cáncer de tiroides es uno de los tumores endocrinos más frecuentes, con un aumento sostenido en la detección de nódulos y una alta tasa de sobretratamiento. La estratificación de riesgo actual (sistemas Bethesda, ATA) depende en gran medida de la interpretación subjetiva de ecografías y citologías, lo que genera variabilidad interobservador y, en consecuencia, cirugías innecesarias o diagnósticos tardíos. La IA ofrece la posibilidad de estandarizar la evaluación, reducir la carga de trabajo del patólogo y el endocrinólogo, y, crucialmente, predecir alteraciones moleculares de forma no invasiva, lo que podría guiar terapias dirigidas sin necesidad de biopsia molecular. Además, en el manejo postquirúrgico, la IA puede optimizar la dosificación de radioyodo y predecir recurrencias con mayor precisión que los modelos tradicionales. Sin embargo, la integración de estas herramientas en la práctica clínica requiere superar barreras de validación, equidad y reembolso.
Detalles: aplicaciones de la IA en el manejo del cáncer de tiroides
La revisión de Thomas y Soto PMID: 42667959 sintetiza el estado actual de la IA en múltiples frentes. A continuación, se presenta un resumen estructurado de las aplicaciones principales, su nivel de madurez y el beneficio clínico potencial.
| Aplicación | Estado de madurez | Beneficio clave |
|---|---|---|
| Estratificación de riesgo en ecografía | Más madura; múltiples estudios validados en cohortes retrospectivas y algunos prospectivos. | Clasificación automática de nódulos tiroideos, reducción de biopsias innecesarias y mejora de la sensibilidad para detectar carcinomas papilares PMID: 42667959. |
| Citopatología asistida por deep learning | Prometedora; estudios en fase de validación para nódulos indeterminados (Bethesda III/IV). | Resolución de nódulos indeterminados, disminuyendo la tasa de cirugías diagnósticas y mejorando la precisión diagnóstica PMID: 42667959. |
| Análisis de congelación intraoperatoria | En desarrollo; prototipos en centros de investigación. | Asistencia en tiempo real para determinar márgenes y la necesidad de tiroidectomía total durante la cirugía PMID: 42667959. |
| Radiómica y patología digital para predicción molecular | Mayoría investigacional; herramientas no aprobadas para uso clínico rutinario. | Predicción no invasiva de mutaciones BRAF V600E, RAS, fusiones y subtipos inflamatorios, permitiendo una selección más precisa de terapias dirigidas PMID: 42667959. |
| Pronóstico y respuesta a radioyodo | En fase de validación; modelos de machine learning superan a la estratificación de riesgo convencional. | Refinamiento de la predicción de recurrencia y optimización de la dosis de radioyodo, reduciendo toxicidad y mejorando los resultados oncológicos PMID: 42667959. |
| Identificación intraoperatoria de paratiroides | Avanzando hacia la implementación clínica; uso de fluorescencia infrarroja aumentada con IA. | Detección en tiempo real de glándulas paratiroides, disminuyendo el riesgo de hipoparatiroidismo postquirúrgico PMID: 42667959. |
| Ojo tiroideo | Herramientas emergentes; evaluación de actividad y predicción de respuesta a glucocorticoides. | Cuantificación objetiva de la actividad de la oftalmopatía y personalización del tratamiento inmunosupresor PMID: 42667959. |
| Trastornos funcionales (hiper/hipotiroidismo) | En etapas tempranas; diferenciación de enfermedad de Graves de tiroiditis y optimización de dosis de levotiroxina. | Apoyo en el diagnóstico diferencial y ajuste de dosis, aunque con evidencia limitada PMID: 42667959. |
| Modelos de lenguaje grande (LLM) | No aprobados para diagnóstico; uso en educación del paciente. | Mejora en la comunicación y educación, pero con riesgo de alucinaciones y citas fabricadas PMID: 42667959. |
Limitaciones
⚠️ Advertencia críticaLa mayoría de las herramientas de IA descritas permanecen en fase investigacional y no han sido validadas prospectivamente en multicentros. Existe una necesidad urgente de estudios prospectivos multicéntricos que evalúen su impacto en resultados clínicos, equidad de acceso y transparencia algorítmica. Además, los marcos de reembolso para estas tecnologías aún no están definidos, lo que limita su adopción. Los modelos de lenguaje grande, aunque útiles para la educación del paciente, no están aprobados para el uso diagnóstico y son propensos a generar citas falsas y deriva de versiones, lo que puede comprometer la seguridad del paciente si se utilizan sin supervisión PMID: 42667959.
Takeaway clínico
Integrar herramientas de IA validadas en la práctica clínica como apoyo a la decisión, priorizando la estratificación de riesgo ecográfico y la predicción molecular no invasiva, mientras se espera la validación prospectiva de las demás aplicaciones.
Referencia completa
Thomas J, Soto GD. Application of Artificial Intelligence in Diagnosis and Management of Thyroid Disease. Endocr Pract. 2026;32(8):10.1016/j.eprac.2026.08.018. PMID: 42667959.