Primera cirugía cerebral con IA en vivo en el mundo: por qué mantener a los cirujanos en control es la verdadera prueba

La operación se mantuvo en secreto hasta finales de agosto mientras el equipo monitoreaba la recuperación del paciente. El paciente, Rhys Hibbert, de 48 años, tenía un tumor benigno de hipófisis de 11 mm que presionaba los nervios ópticos y estaba peligrosamente cerca de las arterias carótidas internas. El tumor se extirpó por completo sin lesión vascular y su visión periférica volvió de inmediato.

Ese es un resultado clínico impresionante. Aún no es una prueba de que las máquinas puedan navegar con seguridad por el cerebro.

Lo que sí establece es una nueva prueba para la IA médica: si el software puede interpretar el campo operatorio a medida que cambia, en lugar de simplemente analizar imágenes capturadas antes de que el cirujano comience.

De los escáneres al campo quirúrgico

Hasta ahora, gran parte del uso práctico de la IA en neurocirugía se ha basado en resonancias magnéticas y tomografías computarizadas preoperatorias, incluida la segmentación, el diagnóstico y la planificación. Esos sistemas pueden ser muy sofisticados, pero operan sobre una imagen relativamente fija del paciente.

La cirugía es diferente.

En una operación endoscópica transesfenoidal, el cirujano llega a la hipófisis a través de la cavidad nasal y la base del cráneo. El tumor en sí está oculto detrás de hueso y membrana. Una vez que los instrumentos entran en el campo quirúrgico, la anatomía ya no es simplemente una estructura tridimensional que espera ser identificada. El tejido puede moverse. La sangre puede oscurecer los puntos de referencia. Los reflejos, el humo y los cambios de iluminación pueden alterar lo que ve la cámara.

Una exploración preoperatoria no puede actualizarse cuando el entorno operatorio cambia.

El sistema de la UCL se diseñó en torno a ese problema. Desarrollado en el Centro Wellcome/EPSRC de Ciencias Quirúrgicas e Intervencionistas de la UCL y en el Instituto Hawkes, el software se entrenó con cientos de vídeos anotados de operaciones de hipófisis. Expertos clínicos identificaron estructuras neurales y vasculares fotograma a fotograma, lo que dio al modelo un conjunto de referencia mucho más rico que el que un cirujano individual podría acumular mediante la experiencia personal.

Durante la operación de Hibbert, el software analizó la señal endoscópica en vivo en un monitor secundario. Identificó instrumentos quirúrgicos y estructuras anatómicas críticas, los codificó por colores y generó "corredores seguros" dinámicos para el cirujano. El sistema también indicó la posición probable de los nervios ópticos, las arterias carótidas y los vasos más pequeños.

La distinción importante es que no operó.

El profesor Hani Marcus y el Sr. Danyal Khan mantuvieron el control durante todo el procedimiento. La IA se posicionó deliberadamente como otro experto que ofrece orientación, no como un agente quirúrgico autónomo.

Esa distinción será cada vez más importante a medida que estos sistemas mejoren.

La brecha de experiencia es parte del problema

La cirugía de hipófisis ya se realiza de forma rutinaria. Pero rutinario no significa uniforme.

La referencia inicial sitúa el riesgo de extirpación incompleta del tumor entre el 25 y el 50 por ciento, mientras que el riesgo de dañar un vaso sanguíneo importante se estima entre el 0,5 y el 2 por ciento. Un neurocirujano del Reino Unido realiza solo entre 10 y 20 operaciones de este tipo al año, en promedio.

Una IA entrenada con cientos de procedimientos aborda el problema desde una dirección diferente. Puede retener patrones a lo largo de un volumen de experiencia quirúrgica que ningún operador individual puede acumular personalmente.

Eso crea una posibilidad intrigante. En lugar de reemplazar el juicio especializado, la IA podría hacer que parte del conocimiento concentrado en los principales centros académicos esté disponible en otros lugares.

Pero aquí es donde aparece el primer obstáculo serio.

Un modelo entrenado en la UCL no es necesariamente un modelo que funcionará de manera idéntica en otro hospital. Diferentes cámaras, condiciones de iluminación, instrumentos y técnicas operatorias pueden alterar los datos visuales que llegan al algoritmo. Este es el problema familiar del cambio de dominio, pero en cirugía se convierte en algo más que un inconveniente técnico.

Un sistema que es ligeramente menos preciso en un hospital regional no solo produce una imagen más pobre. Podría estar señalando al cirujano la parte equivocada de la anatomía.

Por lo tanto, escalar la tecnología significa escalar todo el entorno digital que la rodea: capacidad informática, equipos de imagen compatibles, calidad de datos, monitoreo y experiencia clínica. El NHS puede tener que decidir eventualmente si la cirugía asistida por IA es una actualización tecnológica opcional o parte de la infraestructura necesaria para procedimientos de alto riesgo.

Eso podría crear una nueva desigualdad.

Los hospitales que no puedan permitirse el hardware y los sistemas informáticos necesarios podrían encontrarse operando bajo un estándar de seguridad diferente al de los centros académicos bien financiados.

El nuevo riesgo quirúrgico es la propia máquina

Existe la tentación obvia de describir la IA como un par adicional de ojos. Pero a diferencia de un colega humano, un algoritmo puede fallar de maneras que son difíciles de reconocer desde dentro del quirófano.

Un modelo puede clasificar erróneamente un vaso debido a sangre, deslumbramiento o tejido inusual. Un supuesto corredor seguro podría superponerse a una estructura oculta a la cámara. Un límite podría parpadear entre fotogramas, distrayendo al cirujano precisamente cuando la concentración es más importante.

Estos no son los "alucinaciones" textuales asociadas con los grandes modelos de lenguaje. Son errores espaciales.

Eso hace que la supervisión humana sea esencial, pero la supervisión humana tiene su propia debilidad: el sesgo de automatización. Una vez que un sistema ha demostrado un buen rendimiento, los cirujanos pueden comenzar a confiar en su recomendación incluso cuando su propio juicio clínico apunta en otra dirección.

La operación de la UCL fue diseñada para preservar la relación opuesta. La superposición aconseja; el cirujano decide.

Si esa jerarquía puede sobrevivir a la adopción generalizada es una cuestión más difícil.

También hay un peligro menos obvio. Si los cirujanos dependen cada vez más de la guía espacial generada por máquinas, la formación podría cambiar gradualmente. Las habilidades que rara vez se ejercitan pueden debilitarse. Los futuros especialistas podrían volverse mejores interpretando los resultados de la IA mientras se vuelven menos prácticos en construir el mismo mapa anatómico por sí mismos.

Eso sería un mal intercambio si el sistema fallara en el momento equivocado.

La regulación se adentra en territorio desconocido

El problema regulatorio es tan significativo como el clínico.

Los reguladores médicos han evaluado tradicionalmente el software según funciones y versiones definidas. La IA intraoperatoria en tiempo real introduce algo más fluido: un sistema que interpreta continuamente información visual cambiante mientras influye en las decisiones durante una operación.

La Ley de IA de la Unión Europea sitúa la IA clínica de alto riesgo relevante dentro de un marco de gobernanza de datos, gestión de riesgos, supervisión humana y monitoreo posterior a la comercialización, junto con los requisitos derivados de la regulación de dispositivos médicos. En el Reino Unido, la MHRA está desarrollando su enfoque a través de su Programa de Cambio de Software y Dispositivos Médicos de IA. La FDA de EE. UU. trata sistemas comparables como Software como Dispositivo Médico, con mecanismos como los Planes de Control de Cambios Predeterminados destinados a gobernar ciertas modificaciones futuras del software.

Pero el problema central no es simplemente si un algoritmo pasa una prueba regulatoria antes de su implementación.

Es lo que sucede cuando el algoritmo cambia, el hospital cambia, las cámaras cambian o el paciente difiere de los datos de entrenamiento.

La cuestión legal es aún más difícil. Si un sistema de IA identifica incorrectamente una arteria y un cirujano sigue su guía, la responsabilidad no puede asignarse fácilmente a un solo actor. El hospital es dueño del entorno clínico. El cirujano controla la operación. El desarrollador diseñó el modelo. El fabricante puede suministrar el hardware en el que se ejecuta.

Los sistemas de negligencia médica no están construidos en torno a una cadena de responsabilidad compartida de este tipo.

El avance es, por tanto, también una advertencia

El modelo de financiación detrás del proyecto de la UCL apunta hacia dónde puede ir esta tecnología a continuación. El sistema combina investigación universitaria, experiencia clínica del NHS, financiación pública del Instituto Nacional de Investigación en Salud y Atención e inversión de Google.

Esa combinación importa porque la IA quirúrgica en tiempo real no es simplemente otra aplicación médica que se pueda instalar como software. Requiere datos clínicos, anotaciones especializadas, infraestructura informática, equipos compatibles y años de validación.

La siguiente etapa serán ensayos clínicos más grandes y multicéntricos bajo la supervisión del NHS. Ese es el punto en el que la tecnología enfrenta su verdadera prueba.

Una operación exitosa puede demostrar que la guía de IA en vivo es posible. Varios hospitales tendrán que demostrar que sigue siendo confiable cuando la iluminación es diferente, los instrumentos son diferentes, el cirujano es diferente y la anatomía es menos cooperativa.

Si tiene éxito, el quirófano comenzará a parecerse menos a un lugar donde un cirujano traduce una exploración estática en acción física y más a un entorno computacional continuamente actualizado.