pág. 6507
INTRODUCCIÓN
El cáncer cervicouterino constituye uno de los principales desafíos en salud pública femenina a nivel
global, particularmente en regiones de ingresos bajos y medios, donde las tasas de incidencia y
mortalidad continúan siendo desproporcionadamente elevadas. Según datos recientes de la
Organización Mundial de la Salud (OMS), en 2022 se registraron más de 600,000 nuevos casos y
aproximadamente 340,000 muertes atribuibles a esta neoplasia, lo que la posiciona como el cuarto tipo
de cáncer más frecuente en mujeres a nivel mundial [1]. En América Latina y el Caribe, sigue
representando una de las principales causas de muerte por cáncer ginecológico, evidenciando profundas
brechas estructurales en el acceso a programas efectivos de prevención, tamizaje y tratamiento oportuno
[2].
La citología cervical convencional (Papanicolaou) y su evolución hacia la citología en base líquida
(LBC, por sus siglas en inglés) han sido pilares en las estrategias de detección temprana, contribuyendo
significativamente a la reducción de la carga global de la enfermedad. Asimismo, la colposcopia
continúa siendo el estándar visual para la evaluación del cuello uterino ante hallazgos citológicos
anormales, permitiendo la toma dirigida de biopsias [3,4]. No obstante, ambas técnicas presentan
limitaciones relevantes: la citología tiene una sensibilidad variable —reportada entre 50 % y 75 %— y
la colposcopia muestra una alta dependencia del operador, con significativa variabilidad
interobservador incluso entre expertos [5].
En este contexto, la inteligencia artificial (IA) ha emergido como una tecnología disruptiva con el
potencial de transformar radicalmente los métodos actuales de tamizaje y diagnóstico. En particular, los
algoritmos basados en aprendizaje profundo (deep learning) han demostrado desempeños diagnósticos
comparables, e incluso superiores, a los de expertos humanos en la interpretación de imágenes
citológicas y colposcópicas [6,7]. La incorporación de IA en entornos clínicos podría favorecer
diagnósticos más precisos, reducir errores humanos, estandarizar la toma de decisiones clínicas y
ampliar la cobertura del tamizaje en regiones con escasez de personal capacitado, contribuyendo a
mitigar las desigualdades en salud.
A medida que estas tecnologías avanzan con rapidez, también crece la necesidad de evaluar de forma
rigurosa su eficacia diagnóstica, su seguridad clínica y su viabilidad de implementación en distintos