Ver antes de escanear: la “vista previa predictiva” de Philips en el camino hacia una RM más autónoma
- abr 17, 2026
- 3 minutos
En una sala de resonancia magnética (RM), algunos de los momentos más críticos ocurren antes incluso de que empiece el escaneo. El técnico revisa la solicitud clínica, selecciona un protocolo, posiciona bobinas, alinea cortes y trata de anticipar variables que ningún checklist puede capturar del todo: movimiento del paciente, anatomía poco habitual, artefactos por metal o dificultades de apnea. Si el plan es el adecuado, la exploración fluye y la información diagnóstica obtenida ayuda a aportar claridad clínica. Si no lo es, el coste se refleja en repeticiones, retrasos e incertidumbre.
Philips está trabajando para hacer más inteligente ese “momento de vista previa” utilizando computación acelerada de NVIDIA y modelos de IA open-source. Mediante la generación de una vista previa de imagen impulsada por IA antes de que comience la adquisición de datos, el sistema puede ayudar a validar la planificación de la exploración y orientar decisiones de preparación y configuración. Este avance se enmarca en un esfuerzo más amplio: avanzar hacia un futuro de RM más autónoma, donde se puedan ofrecer exploraciones de alta calidad con mayor consistencia entre operadores, centros y poblaciones de pacientes.
Enseñar a la IA el “lenguaje” de la RM: de la anatomía a los artefactos
La IA en imagen médica suele asociarse a algoritmos entrenados para una tarea concreta: detectar una lesión, segmentar una estructura o marcar un estudio para revisión. Lo que Philips busca construir con NVIDIA apunta a una ambición distinta: una colaboración centrada en un MR Foundation Model (modelo fundacional específico de RM), entrenado con grandes volúmenes de datos diversos que abarcan anatomías, intensidades de campo, protocolos y configuraciones de contraste.
El objetivo es que este modelo fundacional de RM pueda interoperar con los modelos NV-Generate-MR, NV-Segment y NV-Reason de NVIDIA, de modo que la generación de imagen, la segmentación y el soporte a la interpretación puedan orquestarse como parte de un flujo de trabajo inteligente único.
Los modelos fundacionales aprenden patrones amplios a partir de datos heterogéneos y generan representaciones generales que pueden ajustarse posteriormente a aplicaciones específicas. En RM, esto supone enseñar al modelo a comprender el “lenguaje” de la resonancia en múltiples condiciones: cómo cambia la anatomía de cabeza a pies, cómo se comportan las secuencias a diferentes intensidades de campo, cómo influyen el contraste y el protocolo en la apariencia, y cómo surgen los artefactos.
La computación acelerada de NVIDIA y su infraestructura de IA proporcionan una base para entrenar y escalar este tipo de modelos. Sobre la colaboración previa entre Philips y NVIDIA —anunciada por primera vez en mayo de 2025—, Philips aporta experiencia de dominio en RM y la intención de integrar capacidades de IA directamente en los flujos de trabajo del escáner: no como un paso adicional, sino como parte del modo en que una exploración se planifica, se valida y se ejecuta.
El resultado esperado es un modelo fundacional de RM diseñado para aplicaciones integradas en el escáner. Y una de las más relevantes es la capacidad de generar una vista previa predictiva antes de la adquisición.
El avance: “ver” la exploración antes de escanear
Imagina seleccionar un protocolo de RM y, en lugar de esperar al primer “localizer” del escáner —la imagen rápida de referencia que se utiliza para comprobar alineación y planificación—, disponer de un primer vistazo inteligente de inmediato. Esta vista previa predictiva se generaría a partir del contexto del paciente, los ajustes del protocolo seleccionado y el conocimiento aprendido por el modelo sobre anatomía.
Esta vista previa no pretende sustituir a las imágenes adquiridas por el escáner. Debe entenderse como una predicción informada: una ayuda para planificación que puede permitir al operador validar decisiones, ajustar el posicionamiento y detectar posibles problemas antes de comprometer tiempo y recursos de exploración.
Para técnicos y equipos de radiología, este cambio —aparentemente pequeño— puede marcar una diferencia real. La RM es muy potente, pero también compleja; y la complejidad es donde aparece la variabilidad. Una vista previa predictiva busca reducir la incertidumbre justo en el momento en que más puede costar: justo antes de empezar.
Sathish Kumar Balakrishnan
Sathish Kumar Balakrishnan, Head of Global Research and Development for MRI en Philips, concluye que “al combinar nuestro modelo fundacional de RM con NV-Segment (contorneado automatizado), NV-Generate (vistas previas predictivas) y NV-Reason (soporte de decisión con contexto), vemos una oportunidad para que la preparación del examen resulte más guiada y consistente para los técnicos”. Y añade: “Para técnicos y equipos de radiología, este cambio —aparentemente pequeño— puede marcar una diferencia real. La RM es muy potente, pero también compleja; y la complejidad es donde aparece la variabilidad. Una vista previa predictiva busca reducir la incertidumbre justo en el momento en que más puede costar: justo antes de empezar.”
Philips está explorando cómo una vista previa de imagen antes del escaneo podría ayudar, de forma práctica, a:
Helio: un reto estructural, no coyuntural
El helio ha sido un recurso limitado durante años. El suministro se concentra en un número reducido de países y los precios han mostrado una tendencia al alza a lo largo de décadas, con un incremento sostenido en la última década por restricciones estructurales de oferta y aumento de la demanda, y subidas más pronunciadas recientemente por disrupciones adicionales.
Para los responsables sanitarios, la cuestión no es solo cuánto cuesta hoy el helio. Es si un servicio de imagen crítico debería seguir expuesto a un recurso finito, volátil y logísticamente complejo.
Visto así, la RM “sin helio” no es solo sostenibilidad. Es resiliencia por diseño.
- Comprobar el plan antes de iniciar: confirmar que la planificación seleccionada probablemente responde a la pregunta clínica.
- Facilitar un posicionamiento más consistente: ayudar a alinear el área a explorar para capturar imágenes “en el lugar y del modo” adecuados.
- Detectar posibles problemas de forma temprana: señalar errores de planificación u otros factores que pueden dificultar la interpretación antes de que aparezcan en el resultado final.
- Reducir repeticiones: disminuir la probabilidad de tener que repetir parte del examen si algo se desvía.
- Mejorar la consistencia de calidad de imagen: favorecer resultados más uniformes entre operadores, hospitales y tipos de pacientes.
- Reforzar la confianza del operador: especialmente en exámenes complejos o en entornos con acceso limitado a expertise altamente especializado en RM.
Por qué la autonomía en RM importa ahora
La promesa de una RM autónoma puede sonar futurista hasta que se consideran las presiones actuales de muchos sistemas sanitarios: aumento de la demanda de pruebas, escasez de personal en determinadas regiones, desgaste profesional y acceso limitado a operadores expertos. En muchos casos, los pacientes esperan semanas para una cita, y los retrasos diagnósticos pueden convertirse en retrasos en el tratamiento.
Una RM más autónoma puede ayudar a simplificar decisiones complejas, reducir variabilidad y apoyar la obtención de exámenes de alta calidad y mayor volumen. Si más centros pudieran realizar exploraciones de RM fiables, más pacientes podrían beneficiarse de diagnósticos más tempranos —incluidos entornos donde la identificación precoz de enfermedades crónicas o complejas cambia el curso clínico.
Ese es el objetivo de fondo: ayudar a que más pacientes puedan recibir mejores diagnósticos antes, al tiempo que se alivia la carga sobre los equipos y los sistemas sanitarios. Respuestas más tempranas pueden facilitar tratamientos más adecuados, contribuir a reducir listas de espera y optimizar costes.
En la visión de Philips, el “estándar de referencia” en diagnóstico por imagen evoluciona hacia una RM más autónoma: diagnóstico de precisión de la cabeza a los pies para cualquier paciente, en cualquier ubicación, desde una gran ciudad hasta una isla remota.
Balakrishnan añade: “Las piezas tecnológicas están convergiendo para que nuestra ambición de una RM autónoma sea más que un lema. Ya hemos estado sentando bases con automatización y flujos de trabajo integrados, incluido un Dual AI engine diseñado para acelerar exploraciones y mejorar la calidad. Y con nuestro liderazgo en escáneres sin helio, los sistemas pueden instalarse de forma más sostenible y en lugares donde la infraestructura tradicional hacía difícil la RM: apoyando la resiliencia tras interrupciones y ampliando el acceso.”
En este contexto, una vista previa predictiva se plantea como un siguiente paso lógico: mejorar el “inicio” del examen, donde las decisiones de planificación determinan el éxito del proceso posterior.
Dr. Ioannis Panagiotelis, responsable del negocio de RM en Philips, señala: “Nuestra colaboración continuada con NVIDIA refleja la ambición compartida de avanzar en la innovación de IA en RM con modelos como NV-Segment, NV-Generate y NV-Reason. Al explorar modelos fundacionales entrenados específicamente para RM, buscamos desbloquear nuevas capacidades que puedan apoyar la eficiencia del flujo de trabajo, la consistencia y la confianza del operador.”
La experiencia del paciente en una RM “casi futura”
Este es el tipo de experiencia hacia la que Philips trabaja a medida que la RM se vuelve más inteligente y automatizada. Para los pacientes, la autonomía debería sentirse menos como “robotización” y más como tranquilidad.
Imagina una visita que resulta más fluida y predecible: el paciente llega a su cita y realiza el check-in en un quiosco automatizado. El sistema recupera de forma segura información relevante del registro del hospital para preparar la exploración. Con sensores integrados e IA, la RM más autónoma posiciona al paciente y selecciona la exploración adecuada, ajustándola a cada caso y ofreciendo indicaciones claras en pantalla.
Antes de comenzar, el sistema genera una vista previa inteligente —una comprobación predictiva rápida— para ayudar a validar protocolo y posicionamiento. Después, el escaneo se ejecuta con IA monitorizando continuamente la calidad de imagen y ajustando parámetros según sea necesario para preservar claridad diagnóstica. Al finalizar, el sistema ayuda a la salida segura del paciente y señala consideraciones de calidad para el radiólogo, apoyado por insights asistidos por IA durante la interpretación.
La llegada de una “RM autónoma” no se producirá como un salto único, sino como una serie de pasos prácticos que reduzcan fricción, minimicen variabilidad y mejoren resultados. Una vista previa de imagen pre-escaneo —ver antes de escanear— es un paso importante en ese camino.
