Publicidad en podcasts en: Memo/rándum

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.”

La radiología no estádesapareciendo. Está cambiando de escala. En este episodio de Memorándum, analizo el artículo When radiology stops being a specialty y lo conecto con el tema de la tomografía preventiva oportunística. La idea central es quela radiología puede evolucionar de una especialidad centrada en la interpretación de estudios hacia una infraestructura diagnóstica transversal de la medicina moderna. La inteligencia artificial, la imagen en el punto de atención, los biomarcadores por TC y la integración de flujos clínicos obligan a replantear el papel del radiólogo. El futuro no será solo interpretar imágenes, sino diseñar, supervisar y gobernarecosistemas de imagen seguros, explicables y clínicamente útiles. La radiología del futuro no será menos importante. Será más indispensable.

En este episodio deMemorándum comento «When radiology stops being a specialty», un editorial de Mathias Goyen publicado en European Journal of Radiology (2026). Goyen proponeque la radiología está dejando de ser una especialidad en el sentido tradicional para convertirse en la infraestructura diagnóstica de la medicina —el sistema operativo sobre el que corre el resto del sistema de salud. Este episodio retoma el hilo del anterior («Más allá de la indicación clínica: la TAC como herramienta de prevención», basado en Pickhardt et al.), donde discutimos cómo la tomografía puede aportar valor preventivo más allá de la indicación clínica. Hoy damos el siguiente paso: si la imagen pasa de responder a anticipar y se distribuye por todas las especialidades, ¿qué pasa con la radiología como disciplina? Hablo de la metáfora del laboratorio, el paso del radiólogo intérprete al radiólogo arquitecto de sistemas e implicaciones concretas para la formación, la práctica diaria, el liderazgo institucional y el modelo económico de la radiología. Episodio anterior referenciado: https://youtu.be/aYuIBVcwIUM Artículo comentado: Goyen M. When radiology stops being a specialty. Eur J Radiol. 2026;200:112839.doi:10.1016/j.ejrad.2026.112839

En este episodio de Memorándum analizamos el artículo “CT-based Opportunistic Screening for Adding Clinical Value: How I Do It”, publicado en Radiology en 2026 por Pickhardt y colaboradores. El artículo plantea una idea transformadora para la radiología moderna: las tomografías que realizamos todos los días contienen mucha más información clínica de la que habitualmente utilizamos. Más allá de la indicación inicial del estudio, la CT puede revelar datos relevantes sobre osteoporosis, esteatosis hepática, fibrosis, calcio vascular, sarcopenia, grasa visceral, riesgo cardiovascular, fragilidad e incluso edad biológica. A partir de este trabajo, reflexionamos sobre el concepto de tamizaje oportunista, su diferencia con los incidentalomas, el papel de la inteligencia artificial explicable y los retos éticos, clínicos y operativos de incorporar estos biomarcadores en la práctica diaria. La pregunta central del episodio es:¿cuánta información valiosa estamos dejando pasar todos los días en nuestras estaciones de trabajo? Un episodio sobre el futuro preventivo de la radiología, el valor agregado de la CT y el papel del radiólogo en la era de la inteligencia artificial.

En este episodio de Memorándum analizamos el artículo “CT-based Opportunistic Screening for Adding Clinical Value: How I Do It”, publicado en Radiology en 2026 por Pickhardt y colaboradores. El artículo plantea una idea transformadora para la radiología moderna: las tomografías que realizamos todos los días contienen mucha más información clínica de la que habitualmente utilizamos. Más allá de la indicación inicial del estudio, la CT puede revelar datos relevantes sobre osteoporosis, esteatosis hepática, fibrosis, calcio vascular, sarcopenia, grasa visceral, riesgo cardiovascular, fragilidad e incluso edad biológica. A partir de este trabajo, reflexionamos sobre el concepto de tamizaje oportunista, su diferencia con los incidentalomas, el papel de la inteligencia artificial explicable y los retos éticos, clínicos y operativos de incorporar estos biomarcadores en la práctica diaria. La pregunta central del episodio es:¿cuánta información valiosa estamos dejando pasar todos los días en nuestras estaciones de trabajo? Un episodio sobre el futuro preventivo de la radiología, el valor agregado de la CT y el papel del radiólogo en la era de la inteligencia artificial.

En una editorial reciente publicada en JAMA (2026), John D. Lantos plantea una idea que merece una reflexión profunda: la posible pérdida del “aura” del médico en la era de la inteligencia artificial. Ese “aura” —tomando el concepto de Walter Benjamin— no se refiere al conocimiento técnico, sino a algo más difícil de definir: la presencia, el juicio clínico, la experiencia acumulada y la relación directa con el paciente. Sin embargo, este fenómeno no surge exclusivamente con la IA. Es el resultado de una transformación progresiva de la medicina: ·       la objetivación de la enfermedad, ·       la estandarización del conocimiento (medicina basada en evidencia), ·       la digitalización de la práctica clínica (EME), ·       y, más recientemente, la automatizacióndel razonamiento clínico. Desde la radiología, este proceso resulta particularmente evidente. Hemos sido pioneros en: ·       estructuración de reportes, ·       sistemas de clasificación (BI-RADS,PI-RADS, LI-RADS), ·       y adopción de herramientas de apoyo a la decisión. Paradójicamente, estos avances han mejorado la calidad… pero también han hecho nuestra práctica más reproducible. Y ahí está el punto crítico: la inteligencia artificial no está reemplazando al médico. Está perfeccionando un modelo que nosotros mismos ayudamos a construir. Esto nos obliga a replantear una pregunta fundamental: ¿Cuál es el valor del médico —y particularmente del radiólogo— en un entorno donde la interpretación puede automatizarse? Tal vez el futuro no sea menos humano, sino diferentemente humano. Y quizás nuestro rol deba evolucionar de intérpretes de datos… a integradores de contexto clínico. Link del artículo: doi:10.1001/jama.2026.0946

En los últimos años hemos escuchado una promesa constante: la inteligencia artificial reducirá el burnout en radiología. Pero, ¿qué dice realmente la evidencia? En este episodio de Memorándum, analizo un artículo recientepublicado en European Radiology que cuestiona directamente esta narrativa. ¿La IA realmente disminuye el burnout? ¿O estamos enfrentando un problema mucho más profundo? Hablamos de: La falta de evidencia sólida sobre el impacto de la IA en el burnout Los verdaderos determinantes del desgaste en radiología Cómo la eficiencia y la digitalización pueden estar amplificando el problema Y una reflexión clave: el trabajo ya no termina cuando salimos del hospital Porque hoy…el trabajo se va con nosotros; en el teléfono, en losmensajes, en la expectativa constante de responder. Este episodio no es solo sobre tecnología. Es sobre algo más importante: cómo estamos trabajando y qué necesitamos cambiar para que la radiología sea sostenible.  La inteligencia artificial noestá resolviendo el burnout… lo está exponiendo. Link del artículo: https://doi.org/10.1007/s00330-025-12278-6

Este estudio reciente publicado en JAMA Internal Medicine evaluó con resonancia bilateral de hombro a más de 600 adultos de la población general. El resultado es incómodo: 98.7% tenían alguna anormalidad del manguito rotador. 62% desgarros parciales. 11% desgarros completos. La mayoría de los desgarros completos estaban en hombros sin dolor. ¿Estamos confundiendo envejecimiento estructural con causa del dolor? En este episodio analizamos: Probabilidad pretest y valor predictivo Hallazgos incidentales en hombro, columna y rodilla Lenguaje radiológico y cascadas terapéuticas Sobrediagnóstico y sobretratamiento El rol del juicio clínico en la era de la imagen de alta resolución Link del artículo: https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2844659