El modelo de IA detecta cáncer colorrectal en tomografías computarizadas rutinarias sin contraste

COCA llegó a Google News tras detectar cáncer colorrectal con una sensibilidad de hasta el 88,2% en pacientes consecutivos, pese a utilizar tomografías computarizadas rutinarias sin contraste. El hallazgo desafía una limitación conocida en radiología. Estas exploraciones son comunes, pero los médicos no las han considerado herramientas fiables para el cribado del cáncer colorrectal.

El modelo no reemplaza la colonoscopia ni crea una nueva cita de imagen. En cambio, analiza exploraciones ya realizadas durante revisiones médicas, atención de urgencias, consultas ambulatorias y tratamientos hospitalarios. Esto hace que el estudio trate menos de otro algoritmo diagnóstico y más de extraer valor clínico pasado por alto de datos ya existentes.

Por tanto, la cuestión central es clara. El cribado tradicional pide a las personas elegibles que se sometan a una prueba específica. COCA representa el cribado oportunista, que busca una enfermedad en una exploración existente y no relacionada con su propósito original.

Los investigadores comunicaron sólidos resultados retrospectivos en múltiples instituciones y contextos clínicos. Sin embargo, el modelo aún no ha demostrado que sus alertas mejoren los resultados de los pacientes en la práctica clínica prospectiva. La revisión regulatoria, la integración en los flujos de trabajo, la capacidad de seguimiento y la gestión de falsos positivos siguen sin resolverse.

La atención de Google News sigue a un amplio estudio multicéntrico

El cambio importante no es simplemente que la IA reconociera el cáncer, sino que lo detectara en exploraciones ordinarias obtenidas sin preparación para el cribado colorrectal.

El estudio apareció en línea en Annals of Oncology el 21 de abril de 2026, antes de su publicación en el número de agosto de la revista. Entre sus autores había investigadores de hospitales de China y la República Checa, junto con científicos afiliados a DAMO Academy y Hupan Laboratory de Alibaba.

Los investigadores llamaron al sistema COCA, siglas de Colorectal Cancer detection with AI. Lo desarrollaron utilizando exploraciones de 1.321 pacientes con cáncer colorrectal y 1.357 controles normales en dos centros.

Se trataba de exploraciones de TC sin contraste, lo que significa que los médicos no inyectaron un agente de contraste basado en yodo para facilitar la distinción entre tejidos y vasos sanguíneos. Tampoco se preparó el intestino como se haría para una colonografía por TC.

El diseño del desarrollo importa porque los tumores colorrectales pueden ser difíciles de diferenciar del tejido cercano en estas imágenes. El contenido intestinal, los segmentos intestinales colapsados y el contraste limitado de los tejidos blandos pueden ocultar anomalías.

COCA primero localiza la región colorrectal y después la evalúa en busca de cáncer. El modelo combina la segmentación de lesiones, que marca tejido sospechoso, con una clasificación a nivel de paciente, que estima si la exploración contiene cáncer colorrectal.

Su estrategia de entrenamiento con supervisión mixta utilizó distintos niveles de anotación. Un centro proporcionó tanto etiquetas de pacientes como regiones tumorales delineadas manualmente. Otro aportó etiquetas de pacientes sin el mismo marcado completo a nivel de vóxel.

Este enfoque permitió al sistema aprender de más exploraciones sin exigir a los radiólogos que delinearan cada tumor en tres dimensiones. Ese delineado puede consumir mucho tiempo de especialistas y suele limitar los conjuntos de datos de imagen médica.

Los investigadores probaron COCA más allá de los dos centros de desarrollo. Su estudio multicéntrico incluyó conjuntos de datos externos de TC abdominal, pélvica y torácica de varias instituciones.

En 2.053 pacientes de una validación en seis centros, el área bajo la curva característica operativa del receptor comunicada osciló entre 0,967 y 0,996. Esta medida resume qué tan bien un modelo separa los casos positivos y negativos con distintos umbrales.

Los investigadores también realizaron un estudio de lectura con 10 radiólogos. Los participantes iban desde residentes con tres a cuatro años de experiencia hasta especialistas con 13 a 21 años.

Cada radiólogo revisó 299 casos sin asistencia y luego los revisó con COCA tras un período de lavado de al menos cuatro semanas. Según el estudio, la asistencia del modelo aumentó la sensibilidad de los lectores en un 20,4% y la especificidad en un 5,4%.

La sensibilidad mide con qué frecuencia un sistema identifica a los pacientes que tienen la enfermedad. La especificidad mide con qué frecuencia descarta correctamente a los pacientes que no la tienen.

La cobertura de Google News destacó otro detalle operativo. Según se informa, COCA procesa un volumen completo de TC en aproximadamente 30 segundos, lo que hace técnicamente plausible el análisis automatizado en segundo plano dentro de un flujo de trabajo radiológico.

Estos resultados establecen una señal de investigación creíble. No demuestran un servicio de cribado terminado, porque el rendimiento retrospectivo es solo la primera parte de la adopción clínica.

Las exploraciones rutinarias abren una vía de cribado oportunista

COCA desplaza la cuestión del cribado de si los pacientes programarán otra prueba a si los hospitales pueden reutilizar responsablemente las exploraciones que ya poseen.

El cribado actual del cáncer colorrectal depende de procedimientos o muestras específicos. La colonoscopia examina directamente el intestino, mientras que las pruebas de heces buscan sangre o marcadores moleculares asociados al cáncer.

La colonografía por TC también obtiene imágenes del colon, pero requiere preparación intestinal e insuflación del colon. Una TC rutinaria sin contraste carece de esas características y por lo general se solicita para otra cuestión clínica.

Esa diferencia crea el valor estratégico de COCA. Un paciente que llega a urgencias con dolor abdominal podría recibir una TC para buscar cálculos renales, inflamación u otra afección sospechada.

El radiólogo debe priorizar la cuestión clínica que motivó la exploración. Un colon sin preparación puede recibir menos atención, especialmente cuando la anomalía visible es pequeña o sutil.

COCA puede inspeccionar esa misma exploración en segundo plano. Luego puede dirigir al radiólogo hacia una región colorrectal sospechosa, en lugar de emitir de forma independiente un diagnóstico final.

Esto es cribado oportunista: el uso de datos clínicos existentes para buscar una afección adicional sin organizar una cita de cribado aparte. Enfoques similares ya examinan imágenes rutinarias en busca de osteoporosis, riesgo cardiovascular y composición corporal.

Esta vía aborda un problema persistente de participación. Las directrices de cribado de 2026 recomiendan que los adultos con riesgo promedio comiencen el cribado a los 45 años.

Las directrices recomiendan continuar el cribado hasta los 75 años cuando la esperanza de vida supera los 10 años. Los adultos de 76 a 85 años deberían tomar decisiones individualizadas con sus profesionales sanitarios.

Las exploraciones visuales y las pruebas basadas en heces siguen siendo las opciones preferidas. Los resultados positivos de pruebas que no sean colonoscopias deberían recibir un seguimiento oportuno mediante colonoscopia.

Ese último requisito también se aplica conceptualmente a COCA. Una exploración marcada no confirmaría el cáncer por sí sola. Crearía un motivo para una revisión experta y, cuando corresponda, una colonoscopia diagnóstica u otra exploración dirigida.

Por tanto, el modelo compite con la falta de participación en el cribado, no con la autoridad diagnóstica de la colonoscopia. Su paciente más útil es alguien cuyo cáncer aparece de forma incidental en una exploración, pero que de otro modo podría pasar desapercibido.

Esta distinción también evita un malentendido habitual en torno al titular de Google News. Los pacientes no deberían solicitar TC médicamente innecesarias solo para obtener un análisis de COCA.

La TC utiliza radiación ionizante, y el modelo no se ha establecido como motivo para exponer a una persona que de otro modo no se sometería a cribado. Su ventaja propuesta proviene de reutilizar exploraciones que ya estaban clínicamente justificadas.

El enfoque también puede llegar a personas fuera de los patrones estándar de cribado. Algunos pacientes que reciben imágenes de urgencia o durante una hospitalización no han completado el cribado colorrectal recomendado.

Otros son más jóvenes que la población de cribado tradicional o tienen barreras que retrasan las pruebas planificadas. Una capa de revisión automatizada podría señalar un cáncer visible sin esperar a que desaparezcan esas barreras.

Los hospitales obtendrían esta oportunidad sin cambiar el escáner ni adquirir una segunda imagen. Sin embargo, seguirían necesitando integración de software, supervisión radiológica, protocolos de derivación y capacidad para procedimientos de seguimiento.

Esta carga operativa conduce a la tensión principal. Una fuente abundante de datos de imagen puede crear más oportunidades de cribado, pero cada alerta algorítmica genera una responsabilidad clínica.

El mecanismo de COCA se dirige a las partes que los radiólogos pasan por alto

COCA combina localización anatómica con clasificación del cáncer, lo que le otorga una tarea más acotada e interpretable que la de un sistema general de reconocimiento de imágenes.

Un volumen de TC sin procesar contiene muchos órganos, tejidos y posibles anomalías. Buscar un tumor colorrectal poco frecuente en cada vóxel expondría al modelo a un considerable ruido visual.

COCA aborda este desafío en dos etapas. Una red de segmentación U-Net identifica primero la región colorrectal, reduciendo el área que debe evaluar el componente diagnóstico.

U-Net es una arquitectura codificador-decodificador que comprime una imagen en características aprendidas y luego reconstruye el detalle espacial. Las conexiones de salto preservan la información de ubicación mientras la red procesa la exploración.

La segunda etapa combina la segmentación tumoral con la clasificación de todo el paciente. Las características de imagen multiescala se agrupan en una representación utilizada para estimar si existe cáncer colorrectal.

El modelo también utiliza el volumen tumoral sospechoso al producir su evaluación final. Este diseño puede mostrar a un radiólogo dónde encontró preocupación el sistema, en lugar de devolver únicamente una puntuación de riesgo sin explicación.

Esa información de ubicación importa en la revisión clínica. Un segmento intestinal resaltado permite al lector comparar la alerta con engrosamiento de la pared, estrechamiento, cambios en el tejido circundante u otros hallazgos visibles.

El estudio informa de que COCA funcionó especialmente bien en el colon sigmoide y el recto. Estos sitios representan una proporción sustancial de los cánceres colorrectales, pero pueden ser difíciles de evaluar en una TC rutinaria.

Los desarrolladores también enriquecieron los lotes de entrenamiento con tumores más pequeños. Este paso abordó la tendencia natural de los clasificadores de imágenes a aprender más fácilmente de lesiones grandes y visualmente evidentes.

Los resultados internos aún muestran la dificultad restante. La sensibilidad para tumores menores de tres centímetros fue del 82,4%, con base en 78 tumores de ese subgrupo.

Para la enfermedad en estadio I, la sensibilidad fue del 76,7% entre 30 casos. La sensibilidad en estadio II alcanzó el 96% entre 99 casos.

Esos tamaños de subgrupo son mucho menores que la población total de validación. En consecuencia, sus intervalos de confianza son más amplios, por lo que los resultados no deberían tratarse como estimaciones exactas para todos los hospitales.

La puntuación Dice de segmentación del cáncer colorrectal del modelo fue de 0,558. Una puntuación Dice mide la superposición espacial entre la región marcada por el modelo y la anotación de referencia.

Ese resultado es útil, pero imperfecto. El sistema puede clasificar correctamente una exploración sin trazar con precisión cada límite tumoral, lo que explica por qué el rendimiento de detección puede superar la precisión de segmentación.

Los investigadores también compararon exploraciones emparejadas sin contraste y con contraste mejorado en fase venosa en un centro. Los valores de AUC comunicados fueron 0,979 y 0,980, respectivamente.

Ese resultado cercano respalda el mecanismo propuesto. COCA parece capaz de extraer patrones relevantes incluso cuando el contraste visual ordinario es limitado.

Añadir 10 factores de riesgo clínico, incluidos la edad, el sexo y los antecedentes familiares, no mejoró significativamente el modelo de referencia. La señal de imagen impulsó el rendimiento comunicado.

Un modelo rutinario de TC publicado anteriormente utilizó una red de detección basada en transformadores sobre exploraciones con contraste y sin preparación intestinal. Ese sistema se centró en cánceres colorrectales visibles en TC en estudios abdominopélvicos rutinarios.

La comparación muestra una línea de investigación emergente, no un único experimento aislado. Los investigadores están probando si el software puede convertir los archivos de TC de uso general en canales secundarios para la detección del cáncer.

COCA extiende esa línea a exploraciones sin contraste y a vistas parciales procedentes de estudios de tórax. Por tanto, su mecanismo es relevante, pero su valor clínico depende de los resultados obtenidos en pacientes reales consecutivos.

Las Sólidas Cifras del Mundo Real Aún Dejan Riesgos Clínicos

Las cohortes consecutivas refuerzan el argumento a favor de COCA, pero también exponen la diferencia entre una precisión impresionante y un programa de cribado fiable.

Los investigadores evaluaron dos versiones del modelo en 27.433 pacientes consecutivos de dos cohortes del mundo real. Estos pacientes procedían de revisiones físicas, servicios de urgencias, consultas externas y servicios de hospitalización.

La primera cohorte incluyó a 9.014 pacientes. COCA registró una sensibilidad del 88,2% y una especificidad del 99,5%.

La segunda cohorte externa incluyó a 18.419 pacientes. Una versión mejorada de forma iterativa alcanzó una sensibilidad del 86,6%, una especificidad del 99,8% y un valor predictivo positivo del 63,4%.

El valor predictivo positivo responde a una pregunta práctica. Entre las personas señaladas por el modelo, mide cuántas tenían realmente cáncer colorrectal.

Un valor del 63,4% es considerable para la detección oportunista, pero también significa que algunas alertas positivas no correspondían a cáncer. Esas alertas siguen exigiendo revisión y, potencialmente, pruebas adicionales.

Los investigadores informaron de que algunos falsos positivos implicaban anomalías no malignas que podían merecer atención clínica. Eso puede ser útil, pero también puede ampliar el papel previsto del modelo.

Un sistema diseñado para detectar cáncer colorrectal necesita una política clara para los hallazgos incidentales no cancerosos. De lo contrario, los hospitales corren el riesgo de asumir responsabilidades inciertas, realizar derivaciones inconsistentes y generar ansiedad evitable en los pacientes.

Los falsos negativos importan tanto como los positivos. Una sensibilidad del 86,6% significa que el modelo pasó por alto una parte de los cánceres en esa cohorte.

Los pacientes y los clínicos no pueden interpretar con seguridad un resultado negativo de COCA como prueba de que no hay cáncer. La TC rutinaria también sigue siendo menos adecuada para detectar pólipos precancerosos que los métodos de cribado específicos.

Según se informa, el modelo identificó cinco cánceres que los clínicos habían pasado por alto inicialmente. Un paciente de urgencias regresó para otra exploración un año después, pero el tumor no se diagnosticó hasta dos años después del primer examen.

Ese caso ilustra claramente la promesa. También procede de una revisión retrospectiva, en la que los investigadores ya sabían qué pacientes acabarían recibiendo un diagnóstico.

El despliegue prospectivo cambia el problema. Las alertas llegan en medio de cargas de trabajo activas, historiales incompletos, emergencias concurrentes y una capacidad limitada de seguimiento.

Los radiólogos deben decidir si una región marcada es realmente sospechosa. Los clínicos que derivan deben recibir el resultado, explicarlo y organizar la confirmación.

Los hospitales también deben determinar con qué rapidez se ejecuta el algoritmo y si retrasa la disponibilidad de las imágenes. Necesitan planes para interrupciones del servicio, actualizaciones de software, monitorización del rendimiento y casos con anatomía limitada.

Las diferencias entre poblaciones representan otra incertidumbre. Los datos de desarrollo procedían principalmente de centros médicos chinos, con pruebas internacionales que incluían una institución checa.

Se trata de un diseño más sólido que una validación en un único centro. Aun así, no garantiza un rendimiento idéntico en poblaciones norteamericanas, flotas de escáneres, protocolos de imagen o patrones de derivación.

La prevalencia de la enfermedad también modifica el valor predictivo positivo. Un modelo puede mantener la sensibilidad y la especificidad mientras produce una proporción diferente de alertas útiles en otra población clínica.

El experimento con lectores también tiene limitaciones. Los radiólogos revisaron los mismos casos seleccionados en dos sesiones y sabían que la tarea se centraba en el cáncer colorrectal.

La práctica diaria es más amplia y menos predecible. Los lectores buscan muchas enfermedades mientras responden a la cuestión clínica inmediata de cada paciente.

El informe publicado describe trabajo prospectivo previsto que incluye la integración con sistemas de archivo y comunicación de imágenes, comúnmente llamados PACS.

Esa siguiente fase es esencial. Debe demostrar si el modelo modifica la elaboración de informes, la confirmación, el momento del tratamiento y los resultados de los pacientes sin producir daños posteriores inaceptables.

La Regulación y el Flujo de Trabajo Decidirán si COCA Escala

La próxima prueba de COCA no es otro referente retrospectivo de precisión, sino un despliegue controlado dentro de vías clínicas reales.

Los investigadores afirman que el sistema puede ejecutarse mediante una instalación local de Docker o un acceso seguro a la nube tras la autorización regulatoria. Ambas opciones plantean preguntas prácticas para los hospitales.

Una instalación local puede mantener los datos de imagen dentro de la infraestructura institucional. También exige planificación de hardware, mantenimiento de software, controles de ciberseguridad y conexiones fiables con los sistemas de imagen.

El procesamiento en la nube puede simplificar las actualizaciones centralizadas. Sin embargo, los sistemas de salud deben evaluar la transferencia de datos, la privacidad, la latencia, la disponibilidad del servicio y la responsabilidad contractual.

Ninguna de las dos vías resuelve automáticamente la gobernanza de las alertas. Un hospital debe decidir quién ve la alerta, quién asume la interpretación final y cómo se incorpora el resultado a la historia clínica.

Los desarrolladores del sistema eligieron un punto operativo de alta especificidad para el cribado oportunista. Esa decisión refleja el coste de las falsas alarmas en un gran volumen de exploraciones.

Incluso una tasa pequeña de falsos positivos puede generar una cantidad significativa de trabajo cuando el software analiza miles de estudios. Los radiólogos deben revisar cada caso señalado antes de que los pacientes entren en una vía diagnóstica.

Cambiar el umbral crea una disyuntiva conocida. Una mayor sensibilidad detecta más cánceres, pero por lo general genera más falsos positivos. Una mayor especificidad reduce las alertas innecesarias, pero permite que más cánceres pasen desapercibidos.

Una segunda configuración priorizó una sensibilidad superior al 95% durante el desarrollo del modelo. El estudio exploró esa versión para poblaciones de riesgo promedio y lesiones precancerosas avanzadas.

Esas dos configuraciones no deben combinarse en una sola cifra de titular. Cada una responde a un objetivo clínico distinto y produce un equilibrio diferente entre enfermedad no detectada y carga de seguimiento.

La adopción en Norteamérica también requeriría el proceso regulatorio aplicable. La lista de dispositivos de la FDA identifica productos habilitados con IA autorizados para su comercialización en Estados Unidos.

La agencia afirma que los dispositivos incluidos han cumplido los requisitos previos a la comercialización aplicables para sus usos previstos. El diseño del estudio, la seguridad, la eficacia y las características tecnológicas influyen en esa revisión.

Una publicación por sí sola no proporciona dicha autorización. Los desarrolladores de COCA tendrían que definir sus usuarios previstos, la población de pacientes, las entradas, las salidas y su papel en las decisiones clínicas.

Los reguladores y los hospitales también necesitarían comprender cómo cambia el modelo con el tiempo. El artículo describe la minería de ejemplos difíciles y el aprendizaje continuo utilizados para producir COCA Plus.

El aprendizaje continuo implica mejorar un modelo con datos adicionales después de su entrenamiento original. En el uso médico, un cambio no controlado puede socavar la evidencia que respalda una versión aprobada.

Por tanto, un plan de despliegue necesita control de versiones y límites de validación. Los hospitales deben saber si una actualización modifica la sensibilidad, la especificidad, la calibración o el rendimiento en determinados escáneres.

La monitorización no puede detenerse tras la instalación. Los equipos deben examinar la deriva del rendimiento, la aceptación de alertas, los cánceres no detectados, las derivaciones por falsos positivos y las disparidades entre grupos demográficos.

La integración clínica también exige prudencia en la comunicación con los pacientes. Una señalización de COCA indica sospecha en una imagen existente, no un diagnóstico confirmado.

El marco de cribado establecido sigue siendo relevante. La recomendación de cribado incluye pruebas de heces, colonoscopia, sigmoidoscopia flexible y colonografía por TC para adultos elegibles.

La TC rutinaria sin contraste con COCA no figura actualmente como una estrategia de cribado equivalente. Presentarla de ese modo exageraría la evidencia y podría desalentar el cribado probado.

El papel más defendible a corto plazo es la revisión secundaria. COCA puede dirigir la atención hacia exploraciones que ya existen, mientras que las vías estándar de cribado y diagnóstico mantienen su autoridad.

Tres Señales Mostrarán si el Titular se Sostiene

Los resultados prospectivos, el estado regulatorio y el rendimiento del seguimiento determinarán si COCA se convierte en infraestructura clínica o sigue siendo un resultado de investigación prometedor.

La primera señal es la integración prospectiva con PACS. Los investigadores planean ejecutar el modelo automáticamente en exploraciones rutinarias de TC elegibles y enviar los casos señalados a los radiólogos.

Un ensayo útil debería informar de algo más que sensibilidad y especificidad. Debería medir con qué frecuencia los radiólogos aceptan las alertas, con qué rapidez los pacientes reciben confirmación y si los diagnósticos se producen antes.

El ensayo también debería revelar los costes operativos. El volumen de alertas, el tiempo adicional de lectura, las derivaciones a colonoscopia, los fallos al contactar con pacientes y los procedimientos innecesarios configuran el valor clínico real.

Resultados prospectivos sólidos respaldarían la afirmación central del estudio. Un seguimiento deficiente la debilitaría, incluso si el modelo subyacente conserva una alta precisión retrospectiva.

La segunda señal es una solicitud regulatoria o autorización claramente definida. Ese proceso obligaría a los desarrolladores a especificar con precisión cómo deberían utilizar los clínicos COCA.

Una autorización para triaje diferiría de una autorización para cribado o diagnóstico autónomo. El uso previsto determina qué evidencia deben esperar los hospitales y los pacientes.

Los materiales regulatorios también podrían divulgar el rendimiento por subgrupo, escáner, institución y entorno clínico. Esos detalles ayudarían a los proveedores norteamericanos a evaluar si la evidencia se corresponde con sus poblaciones.

Hasta que eso ocurra, la visibilidad en Google News no debe confundirse con preparación regulatoria. El titular público describe un estudio, no un estándar de atención disponible.

La tercera señal es la calidad de la confirmación posterior. Los hospitales deben mostrar qué sucede después de que una alerta llega a un clínico.

La métrica más significativa no es simplemente cuántas exploraciones señala COCA. Es cuántos pacientes completan un seguimiento adecuado y reciben un diagnóstico correcto sin daños excesivos.

El valor predictivo positivo debería mantenerse estable cuando cambie la prevalencia. Los falsos positivos no deberían desbordar a los equipos de radiología ni a los servicios de colonoscopia.

Los investigadores también deberían hacer seguimiento de los cánceres de intervalo, que son cánceres diagnosticados después de un resultado negativo y antes de la siguiente oportunidad de cribado prevista. Esa medida puede revelar omisiones clínicamente importantes.

La equidad merece atención dentro de la misma evaluación. El cribado oportunista solo llega a las personas que ya reciben estudios de TC, y el acceso a las imágenes no se distribuye de manera uniforme.

El enfoque podría ayudar a pacientes que no realizan el cribado convencional, pero se someten a estudios de urgencias o de hospitalización. También podría favorecer a poblaciones con mayor acceso a atención hospitalaria avanzada.

La idea más sólida de COCA es la reutilización de datos. Una exploración rutinaria obtenida por un motivo puede contener una segunda señal clínicamente importante.

Su evidencia más sólida es la prueba consecutiva en el mundo real con 27.433 pacientes. La sensibilidad comunicada del 86,6% al 88,2% sugiere que la señal no se limita a un conjunto de datos de laboratorio cuidadosamente equilibrado.

Su mayor debilidad es la brecha que aún persiste entre la detección y una mejor atención. Cada señal útil requiere confirmación por parte de expertos, comunicación con el paciente y una vía diagnóstica eficaz.

Los lectores que sigan esta historia a través de Google News deberían observar esas tres señales en este orden: resultados prospectivos del flujo de trabajo, claridad regulatoria y resultados de seguimiento completados.

Si se cumplen las tres, la TC rutinaria sin contraste podría convertirse en una valiosa red de seguridad secundaria para el cáncer colorrectal. Hasta entonces, los pacientes deben continuar con los cribados recomendados y hablar sobre las opciones adecuadas con sus profesionales sanitarios.