CAC: el escáner de US$100 que Medicare no paga

¿Por qué un escáner de US$100 vuelve al centro de la prevención cardiovascular?

Más de 800.000 estadounidenses sufren un infarto cada año, y según los cardiólogos Arthur Agatston y Oren Mechanic, autores de la columna que originó esta nota, la gran mayoría de esos eventos es prevenible. La herramienta para detectar el problema antes de que ocurra existe desde hace décadas: el score de calcio coronario (CAC), un escáner de 10 minutos que cuesta alrededor de US$100 y usa una fracción de la radiación de una tomografía de tórax estándar.

Lo nuevo no es la tecnología. Es que en marzo de 2026 la American College of Cardiology (ACC) y la American Heart Association (AHA), después de más de tres décadas de evidencia acumulada, le dieron al CAC un rol central en sus guías nacionales de prevención de enfermedad coronaria. La recomendación apunta a adultos con riesgo limítrofe o intermedio, ese grupo donde la decisión de iniciar terapia preventiva —por ejemplo, estatinas— seguía siendo incierta.

La lógica del cambio es simple y vale la pena entenderla: los calculadores de riesgo tradicionales estiman probabilidad a partir de edad, sexo, colesterol, diabetes, presión arterial y tabaquismo. El CAC mide la enfermedad real. Un paciente con colesterol limítrofe puede tener placa extensa; otro con colesterol alto puede no tener ninguna. Un score de cero reclasifica el riesgo hacia abajo y evita tratamiento farmacológico innecesario; un score por encima de 100 identifica a quien sí se beneficia de intervención agresiva.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El caso que usan para ilustrarlo: un paciente de 52 años que hace ejercicio, come bien y tiene colesterol limítrofe, al que el calculador estándar colocaba en riesgo bajo. Su CAC marcó 220. Los autores recuerdan que la genética explica cerca de la mitad del riesgo cardiovascular y que los calculadores tradicionales no la incluyen.

¿Por qué el sistema paga US$50.000 por un infarto y no US$100 por evitarlo?

El argumento central de la columna es de sistema de pago, no de medicina. El CAC estuvo en la periferia de las guías nacionales durante 35 años a pesar de la evidencia. Parte del retraso es estructural: las herramientas de decisión clínica se construyeron para modificar factores de riesgo promedio de una población, no para incorporar imágenes individualizadas. Y los comités de guías avanzan con cautela, porque la prevención es más difícil de estandarizar que la intervención.

El resultado es una asimetría que cualquier founder de healthtech reconoce al instante: el sistema cubre el evento agudo caro y no la prueba barata que lo evita. Los cardiólogos y los médicos de atención primaria, limitados por lo que las aseguradoras cubren, terminan ofreciendo el estudio casi exclusivamente a pacientes que pueden pagarlo de su bolsillo.

El resumen de los autores es que lo que ha faltado es un sistema de pago dispuesto a gastar US$100 para evitar una emergencia de US$50.000. Esa frase describe un problema de negocio más que uno clínico: no faltan estudios, faltan códigos de reembolso, incentivos y flujos de trabajo capaces de absorber la herramienta. Es el patrón que se repite en casi toda vertical de salud digital.

¿Qué dice la evidencia más reciente sobre el CAC?

Buena parte de la discusión pública asume que más imagen siempre equivale a mejor decisión. La investigación de 2026 matiza esa idea, y conviene leerla completa antes de construir un modelo de negocio encima.

CorCal Outcomes, presentado en el ESC Congress 2026 y recogido por MedicalXpress: aleatorizó a 5.772 pacientes (edad media de 64 años, 51% mujeres) a iniciar estatinas guiados por el score tradicional de factores de riesgo o por CAC. Tras 4,2 años de seguimiento, los eventos cardiovasculares mayores ocurrieron en el 2,7% de ambos grupos y no se cumplió el criterio de no inferioridad. El hallazgo más interesante está en otro lado: el grupo guiado por el score tradicional recibió recomendación de iniciar estatinas más de tres veces más seguido, pero la adherencia al tratamiento fue del 62% en el grupo CAC contra el 23% en el otro.
Un estudio de Northwestern Medicine sobre más de 6.000 adultos del estudio Multi-Ethnic Study of Atherosclerosis, publicado en JAMA, siguió a los participantes durante 10 años. Añadir el CAC al calculador PREVENT de la AHA mejoró apenas la capacidad del modelo para distinguir quién tendría un evento: de 0,73 a 0,75. La diferencia aparece en la zona gris: en pacientes con riesgo inicial limítrofe o intermedio (entre 3% y 9% a 10 años), el score aportó información más útil para decidir tratamiento.
La actualización de 2025 de las guías ESC/EAS ya incluye una recomendación de considerar la aterosclerosis subclínica detectada por CAC como modificador de riesgo en personas de riesgo moderado.

Traducción para un founder: el CAC no es una bala de plata poblacional, es una herramienta de reclasificación en la zona gris. Y el dato de adherencia —62% contra 23%— pesa más que cualquier curva de precisión, porque mide comportamiento humano, no matemática.

¿Dónde entra la IA en la detección temprana de riesgo cardiovascular?

Acá está la parte que le interesa al ecosistema startup. Millones de estadounidenses ya se hacen tomografías de tórax por otros motivos, y la información cardiovascular visible en esas imágenes suele ignorarse. La IA puede identificar calcificación coronaria y vascular de forma oportunista, estandarizar el reporte y marcar a los pacientes que deberían pasar por una evaluación preventiva formal. Es especialmente relevante para quienes no pueden pagar un test electivo de su bolsillo.

Los autores mencionan que el AI-CAC ya se usa para medir placa blanda, el precursor de la placa dura que detectan los scores tradicionales. El movimiento del sector va en esa dirección:

Heartflow (Nasdaq: HTFL) presentó en julio de 2026, en el congreso SCCT 2026, ocho conjuntos de datos que abarcan más de 36.000 pacientes. Uno de los hallazgos: más del 50% de los pacientes sintomáticos con CAC igual a cero presentan placa no calcificada significativa, algo que el score tradicional no ve. La compañía lanzó Heartflow Plaque Staging, una herramienta de estadificación basada en volumen total de placa.
Un estudio del hospital Basaksehir Cam and Sakura de Estambul, publicado en BMC Medical Imaging y difundido por Bioengineer, probó un modelo de visión con GPT-5.5 en modo zero-shot sobre 349 radiografías de tórax: 83,7% de exactitud, sensibilidad de 72,5%, especificidad de 90,4% y AUC de 0,771. Los propios autores lo describen como exploratorio, y la razón importa: la calibración del modelo fue pobre (pendiente de 2,49, lejos del 1 ideal), lo que en la práctica significa que su nivel de confianza no es confiable.

Ahí hay una lección de producto que se repite en toda la IA médica: la precisión no alcanza. Si el score no está calibrado, el clínico no puede actuar sobre él, y una herramienta que no cambia la conducta de nadie no tiene mercado.

¿Qué significa esto para tu startup?

El caso del CAC es el de una tecnología barata, de bajo riesgo y bien estudiada que quedó 35 años al borde de la práctica clínica porque el sistema que la rodeaba —guías, códigos de reembolso, hábitos de práctica— no estaba construido para absorberla. Eso es un patrón replicable, no una anécdota.

Acciones concretas si estás construyendo en salud:

Diseña para el código de reembolso, no solo para el modelo. El cuello de botella del CAC nunca fue la evidencia, fue quién paga. Antes de entrenar nada, valida si existe una vía de cobertura —o un comprador privado dispuesto a pagar de su bolsillo— para tu salida clínica.
Ataca el dato que ya existe. El ángulo de mayor tracción hoy es la detección oportunista: extraer señal cardiovascular de imágenes que ya se tomaron por otra razón. Cero radiación adicional, cero costo marginal para el paciente y un universo de imágenes que ya está archivado en los hospitales.
Mide adherencia, no solo precisión. El resultado más contundente del ensayo CorCal no es clínico: una decisión basada en CAC produjo una adherencia al tratamiento casi tres veces mayor. Si tu producto cambia la conducta del paciente y del médico, ese es el KPI que justifica el precio.
Cuida la calibración antes de la promesa. Un AUC alto con calibración mala es un producto que no se puede usar en la consulta. Publica tus números con el mismo rigor con el que los criticarías.

Conclusión

La noticia es un cambio de guía clínica, pero el mensaje para quien construye en salud es más amplio: la adopción de una tecnología médica no la decide su precisión, la decide el sistema de pago que la rodea. El CAC necesitó tres décadas y una actualización de guías para dejar de ser un test de bolsillo. Quien logre que el próximo escáner barato entre por la puerta del reembolso —o por el aprovechamiento de imágenes que ya existen— no va a tener un problema de evidencia: va a tener un mercado.