Una nueva inteligencia artificial llamada Percival es capaz de identificar señales de enfermedades en tomografías computarizadas (TAC) realizadas por motivos completamente distintos. Investigadores de la Universidad de Pensilvania, en Estados Unidos, han desarrollado este sistema utilizando cerca de 400.000 exploraciones médicas de unos 50.000 pacientes. Sus resultados sugieren que una misma imagen puede aportar información sobre diferentes problemas de salud e incluso ayudar a estimar determinados riesgos futuros.
El estudio, difundido por Penn Medicine el 16 de octubre de 2026 y publicado en la revista científica npj Digital Medicine, supone un avance en el uso de la inteligencia artificial aplicada al diagnóstico por imagen.
Durante las pruebas, Percival identificó patrones relacionados con enfermedades como la fibrilación auricular, la enfermedad renal crónica y diversas alteraciones hepáticas. También obtuvo mejores resultados que otro modelo de inteligencia artificial en determinadas tareas relacionadas con el cáncer de páncreas, la cirrosis y la neumonía bacteriana.
Sin embargo, Percival todavía se encuentra en fase preclínica y no se utiliza de forma habitual para diagnosticar pacientes. Sus resultados deberán validarse antes de que pueda incorporarse a la práctica médica.
Una inteligencia artificial que busca enfermedades más allá del motivo del TAC
Cuando un médico solicita una tomografía computarizada, normalmente intenta responder a una pregunta concreta.
Puede necesitar comprobar una posible neumonía, investigar un dolor abdominal o examinar una lesión.
Las imágenes obtenidas contienen, sin embargo, mucha más información que la relacionada exclusivamente con el problema inicial.
En una exploración del tórax, por ejemplo, pueden observarse estructuras del corazón, los pulmones, los vasos sanguíneos y otros tejidos.
Los radiólogos examinan estas imágenes para detectar alteraciones relevantes, pero algunas características pueden ser difíciles de interpretar o no guardar una relación evidente con la razón de la prueba.
Percival está diseñado para analizar esos patrones adicionales y relacionarlos con distintas condiciones clínicas.
Los investigadores quieren aprovechar una técnica conocida como cribado oportunista.
Consiste en utilizar pruebas que ya se han realizado para identificar posibles señales de otros problemas de salud, sin necesidad de solicitar una exploración nueva únicamente con ese propósito.
El objetivo es extraer más información de los estudios disponibles y ayudar a reconocer enfermedades que podrían pasar inadvertidas.
Cómo funciona Percival y qué lo diferencia de otras inteligencias artificiales
Percival es un modelo de inteligencia artificial de visión y lenguaje especializado en tomografías computarizadas.
Esto significa que aprende a relacionar las imágenes médicas con la información escrita que las describe.
Durante su entrenamiento, el sistema analiza exploraciones y sus correspondientes informes radiológicos para identificar conexiones entre determinadas características visuales y los hallazgos clínicos.
A diferencia de las herramientas diseñadas para reconocer una sola enfermedad, Percival aprende representaciones más generales de las imágenes.
Ese conocimiento puede adaptarse posteriormente a distintas tareas médicas.
| Característica | Percival |
| Institución desarrolladora | Universidad de Pensilvania |
| Tipo de inteligencia artificial | Modelo de visión y lenguaje |
| Datos utilizados | Más de 400.000 pares de TAC e informes |
| Pacientes representados | Aproximadamente 50.000 |
| Información analizada | Imágenes médicas y datos clínicos relacionados |
| Objetivo | Identificar enfermedades y estimar riesgos |
| Situación actual | Investigación preclínica |
| Uso hospitalario rutinario | Todavía no disponible |
El sistema no funciona como un chatbot al que se le describe un síntoma.
Su principal tarea consiste en interpretar información contenida en imágenes médicas y encontrar relaciones estadísticas con datos clínicos.
Estas relaciones pueden ayudar a clasificar enfermedades conocidas o identificar características asociadas con problemas de salud futuros.
No obstante, una asociación identificada por un algoritmo no equivale por sí sola a un diagnóstico médico.
Entrenado con 400.000 TAC de unos 50.000 pacientes
Una de las características más destacadas de Percival es el volumen de información utilizado para desarrollarlo.
Los investigadores recurrieron a datos del Penn Medicine BioBank, una infraestructura que reúne información sanitaria de más de 350.000 personas atendidas dentro del sistema hospitalario de la Universidad de Pensilvania durante aproximadamente dos décadas.
Dentro de ese recurso, utilizaron más de 400.000 pares de tomografías e informes radiológicos correspondientes a unos 50.000 pacientes.
La diferencia entre ambas cifras es relevante: algunos pacientes disponían de varias exploraciones.
El modelo pudo aprender de imágenes obtenidas en situaciones clínicas diferentes y relacionar sus características con los informes médicos.
El estudio también evaluó su capacidad para reconocer información clínica en participantes que no formaban parte del entrenamiento.
Según la investigación, la evaluación incluyó más de 20.000 participantes reservados para las pruebas.
Esta separación ayuda a determinar si el sistema ha aprendido patrones útiles o si simplemente reproduce características de los ejemplos utilizados durante su entrenamiento.
Sin embargo, superar pruebas con datos reservados no garantiza que la herramienta mantenga el mismo rendimiento en todos los hospitales.
Las diferencias entre poblaciones, equipos de imagen y protocolos médicos pueden influir en sus resultados.
Qué enfermedades ha conseguido identificar
Las pruebas mostraron que Percival podía reconocer características relacionadas con diferentes problemas de salud.
Los resultados no se limitaron a enfermedades que producen lesiones fácilmente visibles.
También aparecieron asociaciones con alteraciones crónicas y condiciones que pueden tener manifestaciones indirectas en las imágenes.
Fibrilación auricular
La fibrilación auricular es una alteración del ritmo cardíaco que puede aumentar el riesgo de complicaciones cardiovasculares.
Habitualmente se diagnostica mediante pruebas que registran la actividad eléctrica del corazón, como el electrocardiograma.
Percival identificó patrones en las tomografías asociados con esta condición.
Esto no significa que un TAC permita sustituir al electrocardiograma ni confirmar por sí solo una fibrilación auricular.
El hallazgo sugiere que algunas características anatómicas o clínicas reflejadas en las imágenes pueden contener información relacionada con la enfermedad.
Enfermedad renal crónica
Los investigadores también encontraron que el sistema podía identificar señales asociadas con la enfermedad renal crónica.
Esta condición afecta progresivamente a la capacidad de los riñones para cumplir sus funciones.
Su evaluación médica suele apoyarse en análisis de sangre y orina, además de otras pruebas cuando están indicadas.
La capacidad de Percival para reconocer patrones relacionados con la enfermedad podría permitir aprovechar información adicional de tomografías realizadas por otros motivos.
Sin embargo, el modelo no sustituye las pruebas utilizadas para comprobar la función renal.
Cáncer de páncreas, cirrosis y neumonía
Percival también fue evaluado en tareas relacionadas con el cáncer de páncreas, la cirrosis hepática y la neumonía bacteriana.
En estas comparaciones obtuvo resultados más favorables que TotalSegmentator, otro modelo de inteligencia artificial utilizado para analizar imágenes médicas.
La comparación demuestra que un sistema entrenado para relacionar imágenes e informes puede captar información clínica que otros enfoques no aprovechan del mismo modo.
Sin embargo, el resultado depende de las tareas y condiciones de evaluación.
No puede interpretarse como una superioridad universal de Percival frente a todos los sistemas de diagnóstico por imagen.
La posibilidad de detectar riesgos antes de que aparezcan complicaciones
Una de las aplicaciones más interesantes de Percival no consiste únicamente en reconocer enfermedades existentes.
Los investigadores también estudiaron si las características identificadas en los TAC podían relacionarse con riesgos de salud futuros.
El modelo mostró capacidad para analizar información asociada con la evolución de determinadas enfermedades y con complicaciones cardiovasculares y hepáticas.
Esto plantea una posibilidad relevante para la medicina preventiva.
Una exploración realizada por un motivo concreto podría contener señales relacionadas con el estado general de salud del paciente.
Por ejemplo, ciertas características observadas en una imagen podrían justificar que el equipo médico investigara otro problema mediante las pruebas adecuadas.
No obstante, existe una diferencia fundamental entre estimar estadísticamente un riesgo y predecir con certeza que una persona desarrollará una enfermedad.
Percival no puede garantizar que un paciente sufrirá una complicación ni establecer por sí solo cuándo ocurrirá.
Tampoco se ha demostrado todavía que utilizar sus predicciones en hospitales reduzca la mortalidad o mejore los resultados de los tratamientos.
Estas son cuestiones que deberán abordarse mediante investigaciones clínicas posteriores.
Por qué esta tecnología podría cambiar el uso de los TAC
Las tomografías computarizadas son herramientas habituales en numerosos servicios hospitalarios.
Permiten obtener imágenes detalladas del interior del organismo mediante rayos X procesados informáticamente.
Su utilización resulta fundamental para diagnosticar múltiples enfermedades y evaluar diferentes situaciones médicas.
Sin embargo, buena parte de la información contenida en una exploración puede no utilizarse para fines diferentes del motivo que originó la prueba.
Percival pretende ampliar el valor de esos datos.
El cambio propuesto puede entenderse mediante una comparación:
| Análisis habitual de un TAC | Enfoque propuesto con Percival |
| Se centra en la pregunta clínica inicial | Analiza también patrones relacionados con otras condiciones |
| El especialista interpreta los hallazgos relevantes | La IA identifica asociaciones adicionales |
| Las alteraciones inesperadas requieren valoración médica | La IA podría ayudar a señalar posibles hallazgos adicionales |
| El informe responde a una exploración concreta | Se estudia el valor de la imagen para evaluar otros riesgos |
La finalidad no es reemplazar el trabajo del radiólogo.
El sistema pretende aportar información complementaria que un profesional pueda contrastar con la historia clínica y otras pruebas.
Si llegara a validarse, podría ayudar a aprovechar mejor las exploraciones ya disponibles en los hospitales.
¿Podría evitar pruebas médicas innecesarias?
Una ventaja potencial del cribado oportunista es que permite estudiar información procedente de imágenes previamente obtenidas.
Eso podría reducir la necesidad de realizar algunas exploraciones adicionales en situaciones concretas.
Sin embargo, no está demostrado que Percival reduzca actualmente el número de pruebas médicas.
Además, identificar una señal sospechosa puede provocar el efecto contrario: que sea necesario solicitar análisis o exploraciones complementarias para confirmar o descartar un problema.
También existe el riesgo de generar falsas alarmas.
Un sistema demasiado sensible podría clasificar como sospechosas características que no corresponden a una enfermedad relevante.
Estas situaciones pueden provocar preocupación y pruebas adicionales sin un beneficio clínico claro.
Por ello, antes de utilizar Percival de forma habitual será necesario medir no solo cuántas enfermedades consigue identificar, sino también cuántos resultados incorrectos genera.
Otro aspecto fundamental es que los TAC utilizan radiación ionizante.
El desarrollo de esta inteligencia artificial no justifica realizar tomografías a personas sanas sin una indicación médica apropiada.
La posible utilidad de Percival consiste, principalmente, en extraer más información de imágenes que ya existen o que se obtienen por motivos clínicos justificados.
Los riesgos de utilizar inteligencia artificial para diagnosticar enfermedades
La aplicación de inteligencia artificial a las imágenes médicas ofrece posibilidades importantes, pero también plantea desafíos.
Uno de ellos es la capacidad de generalización.
Un modelo entrenado principalmente con datos de un sistema hospitalario puede comportarse de manera diferente al analizar imágenes procedentes de otros centros.
Los equipos utilizados, la edad de los pacientes y la prevalencia de determinadas enfermedades pueden variar considerablemente.
También existe el riesgo de que el algoritmo aprenda asociaciones que no tengan una relación causal directa con la enfermedad.
Por ejemplo, determinadas características de una exploración podrían estar relacionadas con la edad o con otros factores que influyen en la probabilidad de sufrir una condición.
Si estas relaciones no se evalúan correctamente, el modelo podría ofrecer predicciones poco fiables en determinadas poblaciones.
A ello se añaden las cuestiones relacionadas con la protección de los datos sanitarios y la integración de las herramientas en los sistemas hospitalarios.
Antes de tomar decisiones clínicas basadas en sus resultados, será necesario comprobar su precisión, seguridad y utilidad real.
Cuándo podría empezar a utilizarse Percival en hospitales
Los investigadores todavía están evaluando Percival en fase preclínica.
Esto significa que el modelo no está preparado para incorporarse automáticamente al diagnóstico rutinario de pacientes.
El equipo espera comenzar nuevas pruebas a principios de 2027, con la intención de avanzar hacia una posible utilización clínica.
Sin embargo, no existe una fecha confirmada para su implantación hospitalaria.
Los siguientes pasos incluyen estudiar su funcionamiento con conjuntos de datos más amplios y procedentes de diferentes instituciones.
También será necesario evaluar su comportamiento en condiciones clínicas reales.
El objetivo es comprobar si las asociaciones identificadas durante la investigación se mantienen cuando el sistema analiza pacientes de otros hospitales.
Para facilitar el desarrollo de nuevas investigaciones, sus responsables han publicado abiertamente el código y las especificaciones de entrenamiento del modelo.
Esta decisión permitirá que otros equipos examinen su funcionamiento, reproduzcan parte de los análisis y propongan mejoras.
La disponibilidad del código, sin embargo, no convierte el sistema en una herramienta médica validada para uso clínico.
Quién está detrás del desarrollo de Percival
La investigación ha sido desarrollada por equipos de Penn Medicine y la Universidad de Pensilvania, en Estados Unidos.
El trabajo está liderado por Cameron Beeche, investigador doctoral en Bioingeniería, y cuenta con la participación de especialistas en radiología, informática médica e inteligencia artificial.
Entre los principales responsables figura Walter Witschey, profesor asociado de Radiología, que dirige parte de las investigaciones destinadas a aprovechar la información disponible en imágenes médicas.
También participa Charles Kahn, profesor de Radiología, cuyo trabajo se centra en las posibilidades de utilizar estas tecnologías para reconocer enfermedades y anticipar determinadas complicaciones.
El nombre Percival hace referencia tanto a uno de los caballeros de la leyenda artúrica como al radiólogo Eugene Percival Pendergrass.
El estudio se titula Generalizable CT vision-language modeling for population health and disease risk.
Su aportación principal consiste en demostrar que un modelo entrenado conjuntamente con imágenes e informes médicos puede aprender información clínica útil para distintas enfermedades y tareas de estimación de riesgo.
Una nueva forma de aprovechar la información que ya contienen las imágenes médicas
Percival representa un avance en la aplicación de la inteligencia artificial al diagnóstico por imagen, especialmente porque no está limitado a reconocer una única enfermedad.
Su entrenamiento con más de 400.000 tomografías e informes médicos le ha permitido identificar patrones relacionados con diferentes condiciones clínicas y explorar asociaciones con riesgos futuros.
Los resultados sugieren que los TAC contienen información sanitaria que puede aprovecharse más allá del motivo inicial de la exploración.
Sin embargo, el sistema todavía necesita validación clínica y no se ha demostrado que su utilización mejore directamente la salud de los pacientes.
El verdadero potencial de Percival no consiste en sustituir a los médicos, sino en ayudarles a encontrar información que ya estaba presente en las imágenes y que podría resultar útil para tomar mejores decisiones. Si las próximas investigaciones confirman sus capacidades, una prueba realizada para estudiar un problema concreto podría convertirse también en una oportunidad para detectar otros riesgos antes de que causen complicaciones.
