Índice
El proceso diagnóstico en el laboratorio de anatomía patológica está experimentando una transformación estructural sin precedentes. La digitalización de preparaciones histológicas mediante tecnología whole-slide imaging (WSI) ha creado las condiciones técnicas necesarias para que los algoritmos de aprendizaje automático puedan ser aplicados de forma sistemática al análisis de tejido tumoral. Este cambio de paradigma no es meramente tecnológico: implica una redefinición del rol del patólogo, de los flujos de trabajo del laboratorio y de los estándares de calidad diagnóstica.
A pesar de los avances significativos, la integración de la IA en los flujos de trabajo clínicos sigue limitada por desafíos relacionados con la calidad de los datos, la precisión de los modelos y la falta de validación mediante ensayos clínicos prospectivos. Identificar con precisión qué funciona, en qué contextos y bajo qué condiciones es, por tanto, el primer paso para una adopción responsable y eficaz.
Precisión diagnóstica: lo que dice la evidencia
La revisión sistemática con metaanálisis de mayor alcance publicada hasta la fecha sobre IA en patología digital es la de McGenity et al. (2024), aparecida en npj Digital Medicine (publicación del grupo Nature) y realizada por investigadores de la Universidad de Leeds y el NHS Trust del mismo centro. El estudio incluyó 100 trabajos seleccionados de entre 2.976 identificados, evaluando la precisión diagnóstica de herramientas de IA aplicadas a imágenes WSI en cualquier tipo de enfermedad, utilizando como estándar de referencia el diagnóstico histopatológico y/o la inmunohistoquímica. Sus conclusiones refuerzan la necesidad de garantizar el rendimiento diagnóstico de los modelos de IA antes de su introducción en la práctica clínica, estableciendo un precedente metodológico que ya orienta los procesos de validación regulatoria en Europa.
En el campo oncológico específico, la detección de inestabilidad de microsatélites (MSI-H) en cáncer colorrectal es uno de los casos con mayor evidencia acumulada sobre el valor de las imágenes WSI como apoyo al diagnóstico. Una revisión sistemática con metaanálisis publicada en 2025 en npj Digital Medicine muestra que el análisis de imágenes WSI asistido por algoritmos puede proporcionar al patólogo información orientativa sobre la probabilidad de MSI-H con alta precisión, complementando su valoración clínica y reduciendo la necesidad de recurrir a pruebas moleculares adicionales en determinados casos. Esto tiene un impacto directo sobre el flujo de trabajo del laboratorio: cuando el patólogo dispone de esta información de apoyo a partir del tejido histológico rutinario, puede optimizar el uso de recursos analíticos, reduciendo tiempos y costes sin comprometer la calidad del diagnóstico.
Eficiencia operativa: reducción de tiempos y carga de trabajo
Más allá de la precisión diagnóstica, el impacto sobre la eficiencia operativa del laboratorio es uno de los indicadores más críticos para justificar la adopción de IA. El metaanálisis de Wenderott et al. publicado en npj Digital Medicine en 2024, que constituye la revisión sistemática más completa hasta la fecha sobre los efectos de la implementación de IA en la eficiencia del diagnóstico por imagen, ofrece datos concluyentes: de los 33 estudios que midieron el tiempo de ejecución de tareas diagnósticas, el 67% reportó reducciones tras la implementación de IA.
Este dato adquiere especial relevancia en el contexto actual de los laboratorios de patología, donde el crecimiento sostenido del volumen de muestras oncológicas no ha ido acompañado de un incremento proporcional en el número de patólogos disponibles. En este escenario, las herramientas de IA contribuyen a que el patólogo pueda gestionar una mayor carga de trabajo sin renunciar al rigor diagnóstico, actuando siempre como un apoyo a su criterio clínico, nunca como un reemplazo del mismo.
Desde una perspectiva más amplia del sistema oncológico, la IA tiene el potencial de transformar la toma de decisiones terapéuticas en cáncer mejorando el diagnóstico y personalizando los tratamientos, con aplicaciones en radiología y patología, y el potencial de los modelos de lenguaje a gran escala en la selección terapéutica. Así lo recoge la revisión publicada en mayo de 2025 en NEJM AI (la revista de inteligencia artificial del New England Journal of Medicine) firmada por investigadores del Weill Cornell Medicine.
CELLS IA: integrando la IA en el laboratorio con aval regulatorio
En este contexto de transición hacia la patología digital con IA, la empresa española CELLS IA aporta una visión diferencial: la de un proveedor que ha diseñado sus soluciones no solo desde la calidad ténica, sino desde la viabilidad regulatoria y la integración operativa real en el laboratorio hospitalario.
Su plataforma NucleIQ®, en calidad de producto sanitario in vitro conforme al Reglamento (UE) 2017/746 sobre productos sanitarios para diagnóstico in vitro (IVDR), cuenta con marcado CE-IVD), lo que la sitúa en una posición privilegiada en el nuevo marco regulatorio del AI Act, donde los sistemas de IA utilizados como componentes de seguridad en dispositivos médicos quedan clasificados como de alto riesgo y sujetos a evaluación de conformidad por terceros. En un entorno en el que muchas soluciones de IA para patología operan aún en régimen de uso para investigación o como herramientas de laboratorio no certificadas, el marcado CE IVD de CELLS IA representa una garantía tangible para los servicios hospitalarios y sus responsables de calidad.
Su cartera de algoritmos está diseñada para operar de forma nativa sobre imágenes WSI e integrarse con los sistemas de información de laboratorio (LIS) ya existentes. Esta orientación hacia la adopción sin fricción responde directamente al principal condicionante de implementación identificado por la investigación: la compatibilidad tecnológica con la infraestructura preexistente del laboratorio.
El marco regulatorio europeo como condicionante de la implementación
Cualquier análisis del impacto de la IA en el laboratorio diagnóstico sería incompleto sin considerar el entorno normativo que determina las condiciones de su despliegue. El 1 de agosto de 2024 entró en vigor el Reglamento Europeo de Inteligencia Artificial (AI Act), que establece que los sistemas de IA de alto riesgo (entre los que se encuentran los dispositivos médicos de software con finalidad diagnóstica) deben cumplir requisitos de sistemas de mitigación de riesgos, conjuntos de datos de alta calidad, información clara al usuario y supervisión humana.
Esta normativa es específicamente relevante para los laboratorios de patología digital, ya que aproximadamente el 75% de todos los dispositivos médicos habilitados con IA que existen en el mercado están relacionados con la radiología, y la mayoría de ellos se clasifican como Clase IIa o superior bajo el MDR europeo, lo que los convierte en sistemas de alto riesgo bajo el AI Act.
Tiene efecto directo y es jurídicamente vinculante en todos los Estados miembros de la UE sin necesidad de transposición nacional, lo que garantiza una aplicación uniforme en todo el mercado europeo. Sin perjuicio de lo anterior, sus obligaciones se despliegan de forma progresiva conforme al calendario previsto en la propia norma. A mayor abundamiento, las soluciones de IA vinculadas a productos sanitarios para diagnóstico in vitro no solo deben acreditar su conformidad con los demás requisitos sectoriales del IVDR, sino que también deben anticiparse a las exigencias específicas del AI Act aplicables a los sistemas de IA de alto riesgo. En este sentido, si bien se fijó el 2 de agosto de 2026 como la fecha en la que el Reglamento de IA entrará en vigor completamente, debido a la reciente intervención del Digital AI Omnibus, una propuesta de la Comisión Europea para simplificar algunas de las disposiciones normativas del AI Act, la entrada en vigor de aquellas disposiciones relativas a sistemas de IA de alto riesgo se han visto aplazadas a 2027-2028.
Conclusiones
La evidencia científica acumulada en los últimos dos años confirma que la implementación de IA en el laboratorio de patología produce mejoras medibles en precisión diagnóstica y eficiencia operativa. Las revisiones sistemáticas con metaanálisis publicadas en revistas del grupo Nature y en NEJM AI aportan el nivel de evidencia necesario para respaldar decisiones de adopción institucional. Los condicionantes de una implementación exitosa están bien caracterizados en la literatura: compatibilidad con sistemas preexistentes, validación clínica prospectiva, formación del personal y cumplimiento regulatorio bajo el nuevo marco del AI Act europeo. Los laboratorios que planifiquen su transición hacia la patología digital con IA deben integrar estos factores desde las fases iniciales de evaluación tecnológica.
Fuentes
- McGenity C. et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. npj Digital Medicine, 7:114, 2024. DOI: 10.1038/s41746-024-01106-8
- Wenderott K. et al. Effects of artificial intelligence implementation on efficiency in medical imaging: a systematic literature review and meta-analysis. npj Digital Medicine, 7:265, 2024. DOI: 10.1038/s41746-024-01248-9Ç
- Elemento O. et al. The use of artificial intelligence for cancer therapeutic decision-making. NEJM AI, 2025. DOI: 10.1056/aira2401164
- Liu X. et al. Navigating the European Union Artificial Intelligence Act for Healthcare.npj Digital Medicine, 7:210, 2024. DOI: 10.1038/s41746-024-01213-6
- Kim J. et al. Systematic review and meta-analysis of deep learning for MSI-H detection in colorectal cancer whole slide images. npj Digital Medicine, 2025. DOI: 10.1038/s41746-025-01848-z
- Comisión Europea. Artificial Intelligence in healthcare. health.ec.europa.eu. Actualizado 2025.
- Unión Europea. AI Act — Reglamento (UE) 2024/1689. Publicado en el Diario Oficial de la UE el 12 de julio de 2024. Entrada en vigor: 1 de agosto de 2024.