Redacción
La oncología genitourinaria afronta una transformación marcada por la irrupción de nuevas herramientas diagnósticas, la expansión de la información molecular y el potencial de la inteligencia artificial. Pero el desafío, advierte el Dr. Eneko Novo, vocal de Docencia y Formación Continuada del Grupo Español de Oncología Genitourinaria (Sogug), no es generar más datos, sino convertir esa complejidad en decisiones clínicas útiles, seguras y aplicables en la consulta. En esta entrevista con iSanidad, el especialista reflexiona sobre cómo fortalecer una investigación traslacional que funcione como “un circuito interconectado” entre laboratorio y clínica, cómo simplificar la información genómica masiva sin perder precisión y qué papel puede desempeñar la IA para “devolver tiempo al oncólogo y disminuir errores por omisión”, siempre bajo un marco de validación robusta y formación homogénea que reduzca la variabilidad entre centros.
En el simposio se insistió en que la investigación traslacional debe ser “algo más que un eslogan”. Qué aspectos se deben mejorar para que la investigación llegue a la toma de decisiones clínicas. ¿Existe realmente hoy en día una comunicación bidireccional entre los sistemas sanitarios y los centros de investigación biomédica en España?
Existe comunicación bidireccional en España, pero de forma muy desigual. Hay auténticos hubs de excelencia donde el flujo entre clínica, patología, biología, datos y ensayos funciona de manera envidiable y, cuando eso ocurre, se nota en la calidad de la evidencia y en la rapidez con la que se ejecuta.
“La investigación traslacional describe un ciclo, un circuito interconectado”
El problema aparece cuando se usa investigación traslacional como sinónimo de investigación básica por un lado o de ensayo clínico por otro, como si fueran compartimentos estancos. La investigación traslacional describe un ciclo, un circuito interconectado: la clínica genera preguntas, el laboratorio y los datos proponen hipótesis y biomarcadores, se validan en cohortes y ensayos y el resultado vuelve a la consulta como una mejor decisión. Ese ciclo no está bien representado en entornos donde domina la cultura asistencial pura (muy condicionada por la propia presión asistencial) o, en el otro extremo, una cultura de publish or perish en la que el objetivo se reduce a publicar como hito principal, sin un retorno real y medible a la toma de decisiones clínicas.
¿Qué puntos fuertes y qué débiles detectan desde Sogug, y qué aspectos concretos se deben mejorar?
Existen fortalezas muy claras. Un sistema con volumen de pacientes y continuidad asistencial, profesionales clínicos muy sólidos y una tradición creciente de trabajo multidisciplinar. En tumores genitourinarios, además, la cultura de grupo y la experiencia en investigación cooperativa permiten transformar preguntas de la consulta en proyectos multicéntricos con impacto real.
“La clave está en que la traslación funcione como capacidad del sistema: que no dependa del amor al arte, sino de una estructura estable y reproducible”
Las debilidades son de sistema y se notan en la heterogeneidad: la traslación funciona muy bien en determinados centros, pero no de forma homogénea. Hay fragmentación de circuitos, lentitud en la puesta en marcha y una brecha importante entre los datos que generamos y los datos que realmente podemos conectar (clínica, anatomía patológica, imagen y biomarcadores). Y hay un condicionante estructural que, si no se aborda, lo demás no escala: el tiempo protegido y el reconocimiento de la figura del clínico-investigador. La presión asistencial, unida a incentivos centrados en publicar para la parte básica, tiende a romper el circuito traslacional.
“Hoy, generamos más información de la que sabemos convertir en decisión. “Simplificar” no es recortar ciencia, es ordenarla por utilidad clínica”
En la práctica, las mejoras pasan por estandarizar la calidad y los tiempos de muestras y datos, asegurar interoperabilidad con una gobernanza clara entre los distintos actores (clínicos, básicos, servicios), una puesta en marcha ágil y predecible (desburocratización) y mantener equipos estables. Con eso, la investigación deja de depender de personas concretas y pasa a ser una capacidad del sistema: reproducible y escalable.
A lo largo del simposio, se evidenció que hoy somos capaces de generar mucha más información de la que podemos interpretar o priorizar. Al mismo tiempo, se subrayó la necesidad de “simplificar la información genómica masiva”, no para perder precisión, sino para ganar utilidad clínica. ¿Cómo priorizar la información relevante que se genera en investigación traslacional para la práctica clínica diaria? ¿Qué papel cumple la formación a los especialistas en este sentido?
Hoy en día, generamos más información de la que sabemos convertir en decisión. “Simplificar” no es recortar ciencia, es ordenarla por utilidad clínica para que el oncólogo pueda actuar sin perder precisión.
“El impacto de la IA es devolver tiempo al oncólogo y disminuir errores por omisión en la revisión manual, sin cambiar la responsabilidad clínica de la decisión”
En la práctica, priorizar significa trabajar con un filtro en tres capas. Primero, qué cambia la conducta hoy: información con validez analítica y clínica clara y, sobre todo, utilidad clínica. Biomarcadores que llevan a un tratamiento aprobado, a una recomendación de guías o a una derivación inmediata. Segundo, qué puede cambiar la conducta en el corto plazo: hallazgos que orientan inclusión en ensayo clínico o decisiones estratégicas, idealmente discutidos en comités moleculares y con soporte a la decisión (Recomendaciones Escat de ESMO entre otros ejemplos). Y tercero, lo exploratorio: variantes de significado incierto o firmas no validadas que pueden ser investigación, pero deben quedar claramente separadas para no contaminar la decisión asistencial.
“La formación del oncólogo genitourinario debería evolucionar para incorporar la innovación sin caer en la sobreinterpretación y reducir la variabilidad entre centros”
La formación del especialista es clave porque la simplificación no es solo un tema del laboratorio: es que el clínico entienda qué significa un resultado y, sobre todo, qué no significa. Formación práctica en lectura de informes, niveles de evidencia, limitaciones técnicas (cobertura, frecuencia alélica, heterogeneidad) y escenarios como la biopsia líquida, donde existen falsos positivos y falsos negativos por motivos biológicos y técnicos.
En cuanto a la parte genómica, ¿qué información de la que disponemos hoy se puede llevar a consulta? ¿Qué riesgos existen de incorporar datos sin validación clínica robusta? La que cumple tres condiciones. Validez analítica, clínica y utilidad. Lo importante es que el informe no sea una lista de hallazgos, sino un documento orientado a decisión: acción recomendada, nivel de evidencia, alternativas y limitaciones. ¿Riesgos de incorporar datos sin validación? Daño. Tanto personal como financiero.
“No se trata de que todos seamos bioinformáticos, sino de que sepamos usar bien estas herramientas”
Uno de los temas principales del simposio también fue la irrupción de la IA como herramienta con potencial pronóstico y predictivo. En su área clínica, ¿qué potencial ven en la IA a la hora de seleccionar perfiles de pacientes y reducir la indicación de terapias innecesarias?
Lo que estamos viendo hoy con los nuevos modelos de lenguaje y “agentes” no es tanto predicción clínica, sino eficiencia. Bien integrados, reducen carga burocrática y trabajo repetitivo: generan un resumen longitudinal del paciente (líneas previas, toxicidades, respuesta, fechas clave), extraen datos de informes y analíticas para estructurarlos, preparan borradores de informes y cartas, y ayudan a revisar casos de forma más rápida y consistente antes del comité o de la consulta. En la práctica, su impacto es devolver tiempo al oncólogo y disminuir errores por omisión en la revisión manual, sin cambiar la responsabilidad clínica de la decisión.
El salto transformador puede venir en investigación: usar estas capacidades para acelerar y hacer más eficiente el descubrimiento y la validación de nuevos tratamientos, así como descubrir nuevos biomarcadores multimodales (integrando imagen, patología digital, genómica y datos clínicos). El objetivo ya no será “encontrar señales”, sino mejorar la tasa de éxito en validación: diseñar mejor los modelos desde el inicio (evitar sesgos y fugas de información), estandarizar variables, facilitar replicación entre centros y priorizar candidatos con más probabilidad de ser validados. Si se hace bien, la IA puede acortar el ciclo desde hipótesis a biomarcador útil: menos iteraciones fallidas, cohortes mejor definidas y ensayos más eficientes por enriquecimiento, siempre con la condición de validación externa y demostración prospectiva antes de trasladarlo a la práctica.
“El desafío no es generar más datos, sino convertir esa complejidad en decisiones clínicas útiles, seguras y aplicables en la consulta”
Para el uso de cualquiera de estas innovaciones clínicas, la adquisición de competencias específicas es clave. ¿Cómo debe evolucionar la formación del oncólogo genitourinario sin causar una sobreinterpretación ni que potencie la variabilidad clínica?
La formación del oncólogo tiene que evolucionar. No se trata de que todos seamos bioinformáticos, sino de que sepamos usar bien estas herramientas sin caer en sobreinterpretaciones ni aumentar la variabilidad. Y eso debería empezar mucho antes, desde la universidad, porque el perfil de médico que viene ya va a convivir con datos, biomarcadores y herramientas de apoyo a decisión desde el primer día.
De hecho, aún hay una realidad que llama la atención: en algunas universidades públicas la oncología médica ni siquiera se imparte como asignatura propia, lo que deja lagunas formativas justo en un área donde la toma de decisiones depende cada vez más de integrar evidencia, biología y tratamientos complejos.
“Lo que estamos viendo hoy con los nuevos modelos de lenguaje y “agentes” no es tanto predicción clínica, sino eficiencia”
La formación del oncólogo genitourinario debería evolucionar para incorporar la innovación sin caer en la sobreinterpretación y, al mismo tiempo, reducir la variabilidad entre centros. Eso pasa por entrenarnos con un marco común: niveles de evidencia, limitaciones técnicas de cada prueba o modelo, y una distinción muy clara entre lo que es accionable hoy y lo que debe quedarse como exploratorio o de investigación.
Sogug, como grupo cooperativo nacional, puede usar la docencia como palanca de homogeneización. La colaboración con SEOM en guías clínicas ya fija un lenguaje compartido; el paso clave es bajarlo a la práctica con formación basada en casos reales de consulta y comité: “con este informe genómico o esta patología digital, ¿qué haríamos hoy y qué no deberíamos hacer?”. Eso reduce variabilidad porque alinea umbrales y criterios, no solo conocimientos. Y en 2026, con el curso de IA ya planificado, es una buena oportunidad para integrarla desde el inicio como apoyo a la decisión, con foco en validación, sesgos y trazabilidad, para que la innovación llegue de forma segura y consistente.
“La barrera más determinante sigue siendo el tiempo protegido y el encaje real del clínico-investigador dentro del hospital”
La falta de datos de calidad, burocratización, regulación y financiación son solo algunas de las barreras que identifican en el sistema sanitario. ¿Cuáles son las más urgentes de resolver para Sogug, y qué reclamaciones hacen en este sentido?
La clave está en que la traslación funcione como capacidad del sistema: que no dependa del “amor al arte”, sino de una estructura estable y reproducible. La barrera más determinante sigue siendo el tiempo protegido y el encaje real del clínico-investigador dentro del hospital. Sin ese tiempo, es difícil sostener investigación académica continuada y generar evidencia independiente que responda a las preguntas de la consulta (secuenciación, desescalada, biomarcadores útiles, calidad de vida, implementación).
A partir de ahí, las otras fricciones que más condicionan el día a día son muy operativas: datos e infraestructura (circuitos y flujos de trabajo muestra–patología–imagen–genómica con estándares y gobernanza), burocracia y tiempos de puesta en marcha (ética, contratos, compras, monitorización) y un equilibrio de financiación que permita que la agenda científica no quede limitada al interés comercial. Según la Aemps, solo el 17% de los nuevos ensayos fueron de promotores no comerciales. En ese contexto, el valor de los grupos cooperativos como Sogug es enorme porque actúan como una “infraestructura de red”: conectan centros, homogeneizan criterios, generan estándares, sostienen registros y cohortes, y permiten validar hallazgos a escala multicéntrica. Cuando hay tiempo + estructura + red cooperativa, la traslación deja de ser un eslogan y se convierte en práctica.
