Autor: Dr Javier Gómez-Pedroso Rea

Introducción: el reto del cáncer de mama en México

El cáncer de mama es una enfermedad que ocurre cuando las células mamarias crecen de manera descontrolada, formando tumores que pueden invadir tejidos cercanos y diseminarse a otros órganos. Es una de las principales causas de muerte en mujeres en todo el mundo, pero en México su impacto es aún más grave: es la primera causa de muerte por cáncer en mujeres desde hace casi dos décadas—con más de 30,000 casos nuevos y cerca de 7,900 defunciones cada año. Esto equivale a alrededor de 21 mujeres que mueren cada día por cáncer de mama en nuestro país. Cada 19 de octubre, se conmemora el Día Internacional de la Lucha contra el Cáncer de Mama, una fecha que recuerda la importancia de la detección oportuna, honra a las mujeres que enfrentan la enfermedad y promueve la cultura de la prevención. A pesar de esta conmemoración, México sigue enfrentando un reto monumental: más del 60% de los diagnósticos ocurren en etapas avanzadas (III o IV), lo que reduce dramáticamente las posibilidades de curación. En contraste, en países de altos ingresos, la mayoría de los casos se detecta en etapas tempranas, lo que permite una sobrevida superior al 90%. Este panorama revela no sólo una brecha tecnológica entre países, sino también una batalla cultural: la desinformación, los tabúes y el miedo siguen siendo obstáculos persistentes.

La detección tradicional: un logro con límites

Durante décadas, la mamografía ha sido la herramienta más importante para la detección temprana del cáncer de mama. Su capacidad para identificar lesiones antes de que sean palpables ha salvado miles de vidas. Los estudios confirman que la mamografía reduce la mortalidad por cáncer de mama entre un 20 y 40% en mujeres de 40 a 69 años. Sin embargo, tiene limitaciones: en mujeres con mamas densas puede ser menos precisa, puede generar falsos positivos y en ocasiones es necesario recurrir a estudios complementarios como ultrasonido o resonancia magnética. Por ello, se recomienda siempre complementar con exploración clínica realizada por un profesional de la salud.

De la detección a la predicción personalizada

El futuro de la oncología mamaria se dirige hacia un modelo de predicción personalizada. Esto significa no solo detectar el cáncer en fases tempranas, sino anticipar qué mujeres tienen mayor riesgo de desarrollarlo y cómo responderán a los tratamientos disponibles. La Inteligencia Artificial (IA) y los perfiles genómicos son los pilares de este cambio.

• Inteligencia Artificial (IA): algoritmos avanzados analizan miles de mamografías e identifican patrones imperceptibles al ojo humano. Se ha demostrado que pueden incrementar la detección hasta en un 20%, reducir falsos positivos y liberar tiempo a los radiólogos para casos más complejos.

• Perfiles genómicos: más allá de las mutaciones BRCA1 y BRCA2, existen paneles que permiten calcular el riesgo individual de cada mujer. En pacientes ya diagnosticadas, pruebas como Oncotype DX y MammaPrint ayudan a predecir si realmente necesitan quimioterapia o pueden optar por terapias menos agresivas, evitando efectos adversos innecesarios.

• Medicina de precisión: integrar IA e información genética permite ofrecer tratamientos más efectivos y con menos toxicidad, adaptados a las características de cada paciente.

‍

‍

El papel de la innovación en México

En México, la incorporación de IA y perfiles genómicos es todavía limitada. Algunas instituciones privadas han comenzado a aplicarlas, pero en el sistema público su acceso es casi inexistente. Los principales retos son la falta de recursos, la necesidad de capacitación médica y la desigualdad en acceso. El futuro debe orientarse hacia un modelo híbrido: detección tradicional como base sólida, IA supervisada para mejorar la precisión diagnóstica y perfiles genómicos para personalizar los tratamientos. Lograr que estas tecnologías estén disponibles de manera equitativa es un desafío que debe abordarse con urgencia.

Mitos, leyendas y la realidad humana

A pesar de los avances tecnológicos, aún persisten creencias que retrasan el diagnóstico:

‍

Estos mitos son reflejo de la falta de información y del peso de los tabúes culturales. Muchas mujeres retrasan la consulta por miedo, vergüenza o desconfianza en el sistema de salud. La realidad es que la tecnología no sustituye la decisión de atenderse a tiempo. Mientras la ciencia avanza hacia la predicción con IA y genómica, es indispensable fortalecer la educación comunitaria, fomentar la autoexploración y generar confianza en los servicios médicos.

Conclusión

El cáncer de mama es un desafío que combina ciencia, sociedad y cultura. La detección temprana ha sido fundamental, pero el futuro será anticipar riesgos y personalizar tratamientos. La IA y los perfiles genómicos ofrecen una oportunidad única de transformar la historia de esta enfermedad en México, siempre bajo supervisión médica. Sin embargo, la tecnología más avanzada no tendrá impacto si no se da el paso más sencillo y humano: informarnos, derribar mitos y revisarnos a tiempo. Hoy, la detección salva vidas; mañana, la predicción podrá salvar aún más.

Referencias

• INEGI. Estadísticas de mortalidad 2024.

• Secretaría de Salud. Informe técnico de cáncer en México, 2023.

• NCCN Clinical Practice Guidelines in Oncology: Breast Cancer, Version 1.2025.

• American Cancer Society. Breast Cancer Facts & Figures 2023–2025.

• Globocan 2020. Breast cancer fact sheet.

• Guía de Práctica Clínica. Diagnóstico y tratamiento del cáncer de mama, México, 2023.

• ESMO Congress 2024. Advances in AI for breast imaging.

‍

Autor: Dr. Yosafat Audiffred Montaño - Director Médico de Lonvida.

Cuando hablamos de medicina regenerativa, muchas personas piensan en tratamientos cosméticos: mejorar la piel, eliminar arrugas, revitalizar el rostro. Pero ese es solo un uso superficial. En realidad, la medicina regenerativa tiene un potencial mucho más profundo: apoyar tejidos, órganos y sistemas para que funcionen mejor, se reparen mejor, y nos acompañen por más años con calidad.

En la medicina regenerativa actual, nos interesa no solo enfocarnos no en “verse más joven”, sino en vivir más sanos, retardar el deterioro funcional, prevenir enfermedades crónicas y conservar la calidad de vida. 

¿Qué entendemos por medicina regenerativa?

La medicina regenerativa busca restaurar la estructura y función de tejidos que han sido dañados por enfermedad, envejecimiento o desgaste. No sólo “parchar”, sino regenerar. Puede involucrar:

• Células madre (como células troncales mesenquimales)
  
  
• Exosomas
  
  
• Factores de crecimiento
  
  
• Ingeniería de tejidos, biomateriales, andamiajes (scaffolds) actualmente en investigación
  
  
• Terapias génicas para reparar daños celulares actualmente en investigación
  
  

Su objetivo no es necesariamente hacer más estético, sino recuperar la vitalidad funcional de órganos, articulaciones, músculos, huesos, sistema inmunológico, etc.

¿Por qué es relevante para una longevidad saludable?

La vejez no es solo “arrugas y flacidez”: es la acumulación progresiva de daños celulares, desgaste en órganos, pérdida de capacidad regenerativa, inflamación crónica, disfunción mitocondrial, entre otros. La medicina regenerativa actúa sobre algunos de esos factores fundamentales.

Algunas evidencias científicas:

• En modelos animales, la trasplantación de células madre mejoró la capacidad de regeneración, aumentó la fuerza y la duración de la vida saludable.
  
  
• Revisiones recientes exploran el uso de células mesenquimales en ensayos clínicos para condiciones de envejecimiento, con resultados prometedores en fragilidad física, mejora funcional e incluso retraso de procesos degenerativos.
  
  
• Los avances recientes en medicina regenerativa apuntan a que estas terapias podrían pasar de ser intervenciones puntuales a estrategias integradas dentro de planes de longevidad.
  
  

En resumen: no se trata solo de “reparar algo que está roto”, sino de mantener activos los mecanismos de reparación de tu propio organismo a lo largo del tiempo.

Mecanismos clave que usamos en la medicina regenerativa (y que se ven en la ciencia)

1. Estimular la célula madre interna
   
   Muchas terapias buscan reactivar las células madre residuales que ya posees, que con la edad pierden función. Al dar señales correctas (crecimiento, soporte epigenético, control oxidativo), podemos “despertarlas”.
   
   
2. Entregar células mesenquimales externas
   
   Células mesenquimales donantes, bien seleccionadas, pueden migrar al tejido dañado, secretar factores terapéuticos (secretoma), modular la inflamación y favorecer regeneración.
   
   
3. Uso de exosomas y factores de reparación
   
   A veces no necesitamos las células completas, sino sus “mensajeros” (exosomas) con microRNAs y proteínas que inducen reparación en células dañadas.
   
   
4. Reparación del nicho y ambiente celular
   
   No basta tener células: su entorno (matriz extracelular, vasculatura, nutrientes, señales hormonales) debe estar sano. Por eso combinamos regenerativa con intervenciones de estilo de vida (nutrición, ejercicio, sueño, control de inflamación) para optimizar el “suelo” donde crecen las células.
   
   
5. Control del envejecimiento celular
   
   Parte del deterioro viene de daños al ADN, senescencia celular, acortamiento de telómeros, estrés oxidativo, disfunción mitocondrial. Las terapias regenerativas pueden mitigar esos factores si van bien diseñadas.
   
   

¿Cómo mejora tu vida práctica?

• Menos dolor y mejor función: articulaciones, músculos, cartílagos que recobran salud ayudan a mantener movilidad.
  
  
• Recuperación más rápida: frente a lesiones o desgaste, tienes una mejor capacidad de restauración.
  
  
• Resistencia a enfermedades crónicas: órganos vitales (corazón, riñón, hígado, sistema nervioso) mejor asistidos tienen menor probabilidad de fallo prematuro.
  
  
• Bienestar general prolongado: energía, claridad mental, capacidad física prolongada.
  
  
• Menos intervenciones drásticas: si los tejidos se mantienen funcionales, la necesidad de cirugías mayores u otros procedimientos invasivos disminuye.
  
  

Retos, límites y precauciones

• No todo se puede regenerar: en muchos casos, se necesita combinar regenerativa con otras estrategias (control metabólico, estilo de vida, medicina de soporte).

Conclusión

La medicina regenerativa es mucho más que estética. En la actualidad la vemos como una estrategia clave hacia una longevidad funcional: no solo vivir más años, sino con mejor salud, con menos enfermedades, con recuperación eficiente y con una calidad de vida real. 

Al combinar terapias regenerativas con diseño inteligente de estilo de vida y diagnóstico de precisión, transformamos el envejecimiento en un proceso manejable, con más control, con más dignidad.

Referencias científicas (formato Vancouver)

1. Zhang Y, et al. Advances in stem cell medicine and longevity research. npj Regen Med; 2023.
   
   
2. Garay RP, et al. Recent clinical trials with stem cells to slow or reverse normal aging processes. Front Aging; 2023.
   
   
3. Montserrat-Vazquez S, et al. Transplanting rejuvenated blood stem cells extends lifespan of aged immunocompromised mice. npj Regenerative Medicine; 2022.
   
   
4. Altyar AE, et al. Future regenerative medicine developments and their challenges. [revista]; 2023.

‍

Autores: Dr. Ranferi Gaona Arreola (1), Dr. Miguel Ángel Robles Carmona (2) Ginecología, Obstetricia, Biología de la Reproducción Humana (1,2) Centro Especializado en Esterilidad y Reproducción Humana, Ciudad de México.

La infertilidad es un problema de salud global que afecta a millones de parejas. 

Según la Organización Mundial de la Salud (OMS), se estima que una de cada seis parejas en edad reproductiva enfrenta problemas para concebir. El diagnóstico temprano puede hacer una diferencia significativa, no solo al aumentar las oportunidades de concepción, sino también al permitir opciones de tratamiento más efectivas. En los últimos años, los biomarcadores y la inteligencia artificial (IA) han emergido como herramientas prometedoras en este campo, ofreciendo diagnosis más precisas y personalizadas.

‍

Biomarcadores y su Importancia.

Los biomarcadores son sustancias biológicas que pueden indicar un proceso fisiológico o patológico. En el contexto de la infertilidad, pueden ser hormonas, factores genéticos o proteínas que reflejan la salud reproductiva de una persona. La evaluación del perfil hormonal por ejemplo, permite a los médicos entender cómo funcionan los ovarios y si existen irregularidades que puedan afectar la fertilidad. Un estudio reciente ha demostrado que los niveles de hormonas como la Hormona Antimülleriana, estrógeno y la progesterona pueden ofrecer una visión reveladora sobre la reserva ovárica y la capacidad de ovulación de las mujeres (González et al., 2022).

Además, se ha sugerido que biomarcadores genéticos pueden ayudar a identificar condiciones subyacentes tales como el síndrome de ovario poliquístico o componentes del factor masculino, que afectan el espermatozoide. La detección temprana de estas condiciones puede facilitar intervenciones tempranas y mejorar las tasas de concepción.

‍

Inteligencia Artificial en la Evaluación de la Fertilidad.

La inteligencia artificial ha revolucionado muchos campos de la medicina, y el diagnóstico de la infertilidad no es una excepción. Las herramientas de la Inteligencia Artificial pueden analizar grandes volúmenes de datos, identificando patrones que no son fácilmente visibles para los médicos. Un estudio reciente mostró que algoritmos de aprendizaje automático pueden predecir con una precisión del 92% el éxito de tratamientos de fertilidad basándose en datos de biomarcadores y antecedentes clínicos (Núñez et al., 2023).

Estos sistemas no solo mejoran la precisión del diagnóstico, sino que también permiten el desarrollo de tratamientos personalizados. Por ejemplo, una mujer que presenta un perfil hormonal específico y otros biomarcadores asociados podría beneficiarse de un protocolo de tratamiento ajustado a sus necesidades individuales, en lugar de un enfoque genérico.

‍

Desafíos Éticos y Futuro de la Tecnología

A pesar de los avances prometedores, la implementación de biomarcadores e inteligencia artificial también plantea desafíos éticos. La privacidad de los datos es una preocupación constante, especialmente cuando se trata de información sensible relacionada con la salud reproductiva. Además, es crucial asegurar que estas tecnologías sean accesibles para todos, independientemente de su situación socioeconómica.

Otra consideración es el potencial de sesgos en los algoritmos de la Inteligencia Artificial, que pueden resultar en diagnósticos erróneos si se entrenan con datos que no representan adecuadamente diversas poblaciones. A medida que avancemos hacia un futuro donde estas tecnologías sean más comunes, es esencial abordar estos desafíos para maximizar sus beneficios.

‍

Conclusión

El diagnóstico temprano de infertilidad a través de biomarcadores e inteligencia artificial representa una revolución en la salud reproductiva. Al combinar la biología con la tecnología avanzada, podemos identificar problemas de fertilidad de manera más rápida y precisa, ofreciendo a las parejas una mejor oportunidad de concebir. A medida que continuamos investigando y desarrollando estas herramientas, es fundamental hacerlo de una manera ética e inclusiva, asegurando que todos tengan acceso a los beneficios de estos avances científicos.

‍

Referencias

1. González, M., Rodríguez, P., & Fernández, J. (2022). Evaluación del perfil hormonal en mujeres con problemas de fertilidad: un enfoque desde los biomarcadores. *Revista de Fertilidad y Salud Reproductiva*, 12(4), 245-253.

2. Núñez, O., García, L., & Martínez, J. (2023). Aplicación de inteligencia artificial en el diagnóstico y tratamiento de la infertilidad: un estudio prospectivo. *Journal of Reproductive Medicine*, 67(2), 102-110.

3. López, A., Esteban, S., & Ruiz, R. (2023). Los biomarcadores como indicadores de salud reproductiva: Revisión y perspectivas. *Reproductive BioMedicine Online*, 47(1), 15-25.

‍

La medicina fetal en la era de la inteligencia artificial
Consideraciones en el diagnóstico prenatal temprano

La evaluación prenatal mediante la ultrasonografía es la ventana a la vida fetal a través de imágenes. El diagnóstico temprano de malformaciones fetales, alteraciones en el
crecimiento fetal y anomalías placentarias permiten el manejo y tratamiento apropiado en cuanto al tiempo y pronóstico fetal. Dentro de los retos del ultrasonido se incluye la dependencia del operador y la curva de aprendizaje que este conlleva, por ello, el acceso a personal calificado y equipo de alta resolución es limitado en escenarios de bajos recursos.

‍
La inteligencia artificial es la habilidad de los programas de computadora para realizar procesos asociados a la inteligencia humana, como el razonamiento, aprendizaje,
adaptación, entendimiento sensorial e interacción. El aprendizaje automático es un conjunto de herramientas computacionales que entrenan modelos en patrones descriptivos obtenidos a través de reglas de inferencia humana. Una de las principales limitantes del aprendizaje automático es que este se basa en perspectivas estadísticas y por ende puede requerir muchos recursos, en el caso del diagnóstico prenatal, requerir de grandes volúmenes de imágenes para entrenar a un modelo. El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales convolucionales, las cuales a su vez emplean principios algebraicos lineales para un abordaje a escala en la clasificación de las imágenes y reconocimiento de objetos, así como contar con la habilidad para un nivel de rendimiento elevado con muestras limitadas de entrenamiento.

‍
El desarrollo de la inteligencia artificial en el ultrasonido prenatal apenas va comenzando, el feto presenta varios retos también: movimiento, su anatomía cambiante, el cuerpo materno, el requerimiento de planos específicos para diagnóstico, así como el ruido moteado y otros artefactos que pudiesen afectar el uso de la inteligencia artificial.
‍

El único meta- análisis publicado en 2023 referente al alcance de la inteligencia artificial en el diagnóstico prenatal engloba cerca de 800 estudios publicados sobre el tema,
abarcando subtemas como: la segmentación de la anatomía fetal para su estudio en primer trimestre, la automatización de la medición de la translucencia nucal, el estudio del corazón fetal en edad gestacional temprana, la vascularización placentaria mediante tecnologías avanzadas como determinante de inserciones anómalas y la obtención de planos sagitales y coronales del cerebro fetal a partir de un plano axial, por sintetizar algunos. Con esto, queda claro que la inteligencia artificial tiene el potencial no
únicamente de automatizar tareas ultrasonográficas que consumen tiempo a través de la detección automática y medición de la biometría fetal sino también la detección de
anomalías congénitas.

‍
Los defectos de tubo neural son un tema mayor de salud pública derivado del cierre incompleto del tubo neural durante el desarrollo embrionario temprano. Su prevalencia
varía significativamente por región, presentándose en México en 5 de cada 10,000 recién nacidos. La aplicación de la inteligencia artificial en esta malformación fetal va
encaminada a realizar el diagnóstico de manera oportuna (temprana) y poder brindar un tratamiento (cirugía correctiva intrauterina), esto empleando algoritmos mediante modelos de aprendizaje automático de analíticas predictivas, así como el apoyo en la toma de decisiones con recomendaciones en la vida real basado en guías y normas actuales. El empleo del aprendizaje automático en conjunto con el avance en las tecnologías de imagen ha prometido la detección y clasificación de estos defectos desde la vida embrionaria.

Técnicas como máquina de vectores de soporte y eliminación de características recursivas se emplean de forma efectiva para analizar datos genéticos y demográficos, mejorando el entendimiento y la predicción de defectos del tubo neural como es la espina bífida, sin duda alguna en este tipo de defectos, la inteligencia artificial se dirige hacia la identificación de poblaciones de riesgo de manera que se puedan prevenir.

‍
Por otro lado, el diagnóstico prenatal de las cardiopatías congénitas mejora de forma significativa la morbilidad y mortalidad neonatal, muchos de los estudios mencionados
anteriormente se enfocan en estos defectos ya que su tasa de detección en vida prenatal va desde un 14% hasta un 87%, siendo esta discrepancia dependiendo de la ubicación geográfica. El uso de la inteligencia artificial en este campo va en conjunto con expertos humanos, que mediante el uso de métodos de aprendizaje profundo se visualicen y reconozcan las estructuras del corazón fetal en clips de video en 2D y posteriormente se calcule un puntaje de anormalidad mediante la medición de la desviación de la normalidad. Por otro lado, se han desarrollado redes neuronales de entrenamiento para la detección automática de las vistas cardiacas y distinguir entre imágenes cardiacas normales y anormales, logrando la exactitud en un 96%, esto con la finalidad de acortar la curva de aprendizaje.

‍
Hasta la fecha, son pocos los estudios prospectivos publicados que usen la inteligencia artificial en el diagnóstico prenatal, la mayoría siguen siendo retrospectivos, de tal manera que aún se desconocen las técnicas para el uso óptimo de esta. Hoy en día las herramientas en los equipos de ultrasonido incluyen aplicaciones inteligentes,
generalmente para obtener medidas basadas en un plano estándar de una imagen obtenida por el operador. La inteligencia artificial sostiene el potencial como herramienta
de mejorar la eficiencia del ultrasonido, disminuir la variabilidad inter observador, mejorar la detección de las malformaciones congénitas y acortar la curva de aprendizaje, aún sin probar que puede contribuir a la mejora de la salud materna y fetal tomando en cuenta que nos falta mucho por descubrir de la vida intrauterina.

Referencias
1. Artificial intelligence technologies. United Kingdom Engineering and Physical Sciences Research Council. Accessed October 3, 2025.
https://epsrc.ukri.org/research/ourportfolio/researchareas/ait/

‍
2. He F, Wang Y, Xiu Y, Zhang Y, Chen L. Artificial Intelligence in Prenatal Ultrasound Diagnosis. Front Med (Lausanne). 2021 Dec 16;8:729978. doi: 10.3389/fmed.2021.729978. PMID: 34977053; PMCID: PMC8716504.

‍
3. Sinclair M, Baumgartner CF, Matthew J, Bai W, Martinez JC, Li Y, Smith S, Knight CL, Kainz B, Hajnal J, King AP, Rueckert D. Human-level Performance On
Automatic Head Biometrics In Fetal Ultrasound Using Fully Convolutional Neural Networks. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:714-717. doi:
10.1109/EMBC.2018.8512278. PMID: 30440496.

4. Horgan R, Nehme L, Abuhamad A. Artificial intelligence in obstetric ultrasound: A scoping review. Prenat Diagn. 2023 Aug;43(9):1176-1219. doi: 10.1002/pd.6411.
Epub 2023 Jul 28. PMID: 37503802.

‍
5. Yeganegi M, Danaei M, Azizi S, Jayervand F, Bahrami R, Dastgheib SA, Rashnavadi H, Masoudi A, Shiri A, Aghili K, Noorishadkam M, Neamatzadeh H.
Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects. Front Pediatr. 2025 Apr 17;13:1514447. doi:
10.3389/fped.2025.1514447. PMID: 40313675; PMCID: PMC12043698.

‍
6. Sridar P, Kumar A, Quinton A, Nanan R, Kim J, Krishnakumar R. Decision Fusion- Based Fetal Ultrasound Image Plane Classification Using Convolutional Neural
Networks. Ultrasound Med Biol. 2019 May;45(5):1259-1273. doi: 10.1016/j.ultrasmedbio.2018.11.016. Epub 2019 Feb 27. PMID: 30826153.

‍
7. Bakker MK, Bergman JEH, Krikov S, Amar E, Cocchi G, Cragan J, de Walle HEK, Gatt M, Groisman B, Liu S, Nembhard WN, Pierini A, Rissmann A,
Chidambarathanu S, Sipek A Jr, Szabova E, Tagliabue G, Tucker D, Mastroiacovo P, Botto LD. Prenatal diagnosis and prevalence of critical congenital heart defects: an international retrospective cohort study. BMJ Open. 2019 Jul 2;9(7):e028139. doi: 10.1136/bmjopen-2018-028139. PMID: 31270117; PMCID: PMC6609145.