En oncología, el tiempo no es un dato administrativo: es un factor pronóstico. El término time-to-treatment (tiempo hasta el tratamiento) designa el intervalo que transcurre desde que se diagnostica un cáncer hasta que el paciente inicia la primera terapia, ya sea cirugía, tratamiento sistémico o radioterapia. Cada día que se acorta ese intervalo cuenta, porque el tiempo influye en tres planos que se refuerzan entre sí: la supervivencia del paciente, la efectividad del tratamiento y la eficiencia del propio sistema sanitario [1]. Entender qué es el time-to-treatment, por qué importa y cómo puede mejorarse es hoy una de las conversaciones más relevantes en la organización de la atención oncológica.

Qué es el time-to-treatment en oncología

El time-to-treatment es el número de días que median entre el diagnóstico de un cáncer y el inicio de su primer tratamiento. En la literatura clínica suele denominarse time to treatment initiation (TTI) y se mide desde la fecha del diagnóstico (habitualmente, la confirmación anatomopatológica) hasta la primera intervención terapéutica [1].

Su relevancia va más allá de lo asistencial: se ha consolidado como un indicador de calidad de los servicios oncológicos. Un intervalo corto y estable sugiere circuitos diagnósticos ágiles y bien coordinados; un intervalo largo o creciente suele delatar cuellos de botella en alguna fase del proceso. De hecho, en un amplio análisis sobre tumores sólidos tratados con intención curativa se observó que el tiempo hasta el tratamiento tendía a alargarse con los años y que los pacientes con intervalos más prolongados presentaban peor supervivencia global [1]. Medirlo, monitorizarlo y fijarse objetivos de mejora es, por tanto, una palanca directa sobre la calidad de la atención.

Por qué el tiempo es un factor crítico en el tratamiento del cáncer

El motivo de fondo es biológico. Un tumor no permanece estático mientras espera: prolifera, invade tejidos vecinos y puede diseminarse a distancia. Este fenómeno, la progresión tumoral, es la razón por la que el tiempo es un factor crítico. Cuanto más se demora el diagnóstico o el inicio del tratamiento, mayor es la probabilidad de que la enfermedad avance a un estadio más avanzado, en el que las opciones terapéuticas se estrechan y el pronóstico empeora [2].

Una revisión sistemática que reunió más de doscientos estudios sobre cáncer sintomático concluyó que un mayor tiempo hasta el diagnóstico puede ser perjudicial de varias maneras: estadios más avanzados en el momento del diagnóstico, peor supervivencia y mayor morbilidad asociada tanto a la enfermedad como al tratamiento [2]. Los autores fueron prudentes (la heterogeneidad de los estudios impedía conclusiones definitivas para todos los tumores), pero identificaron evidencia más consistente de esa asociación en cánceres como el de mama, el colorrectal, el de cabeza y cuello, el testicular y el melanoma [2]. La lógica clínica es clara: cuando el tumor se detecta y se trata en una fase más temprana, suele estar menos extendido, y eso amplía las opciones terapéuticas y mejora el pronóstico.

Impacto del time-to-treatment en la supervivencia del paciente

La conexión entre demora y supervivencia se ha cuantificado con solidez. Un metaanálisis que agrupó 34 estudios y más de 1,2 millones de pacientes concluyó que cada cuatro semanas de retraso en el inicio del tratamiento se asocian a un aumento de la mortalidad, y que las demoras mayores son progresivamente más perjudiciales [3]. El hallazgo se mantuvo en las distintas modalidades terapéuticas (cirugía, tratamiento sistémico y radioterapia) y en siete de los tumores más frecuentes, lo que refuerza la idea de que reducir los tiempos a nivel de sistema puede mejorar la supervivencia poblacional [3].

Los datos por tumor apuntan en la misma dirección. En el análisis de tumores sólidos ya citado, un mayor tiempo hasta el tratamiento se asoció a peor supervivencia en estadios iniciales de varios tumores tratados con intención curativa —de forma especialmente consistente en el cáncer de mama y el de pulmón no microcítico—, con un incremento del riesgo de mortalidad de entre un 1,2 % y un 3,2 % por cada semana de demora [1]. En conjunto, la evidencia dibuja un mensaje coherente: el tiempo ganado en el circuito diagnóstico-terapéutico se traduce, para muchos pacientes, en tiempo de vida.

Ventanas terapéuticas en oncología

Buena parte de este impacto puede entenderse a través de una idea intuitiva: la de la ventana de oportunidad para tratar. Existe un periodo durante el cual un tratamiento tiene su máxima probabilidad de ser eficaz. Un tumor localizado y resecable ofrece un margen amplio para la cirugía con intención curativa; si progresa, ese margen puede estrecharse y obligar a estrategias distintas y, a menudo, de menor eficacia: un mayor tiempo hasta el diagnóstico se asocia a estadios más avanzados en el momento de confirmarlo, a peor supervivencia y a una mayor morbilidad derivada tanto de la enfermedad como del tratamiento [2]. Algo similar ocurre con la quimioterapia adyuvante, cuyo beneficio tiende a disminuir si se retrasa demasiado respecto a la cirugía: en un metaanálisis de 10 estudios y 15.410 pacientes con cáncer colorrectal resecado, cada cuatro semanas de demora en iniciarla se asociaron a una reducción significativa de la supervivencia global y de la supervivencia libre de enfermedad (HR 1,14 en ambos casos) [4]; y en cáncer de mama, un estudio poblacional con 24.843 pacientes halló peor supervivencia global y específica cuando la quimioterapia adyuvante se iniciaba 91 días o más después de la cirugía [5].

El tiempo, por tanto, no solo suma días de espera: determina si el paciente sigue dentro del margen en el que el tratamiento funciona mejor. Por eso la rapidez diagnóstica no es un lujo organizativo, sino una condición para actuar mientras ese margen sigue abierto. Y por eso las demoras crecientes resultan cada vez más costosas en términos de resultado, como muestra el aumento progresivo de la mortalidad asociado a cada semana de retraso [3].

Consecuencias de un diagnóstico tardío

Cuando el diagnóstico llega tarde, las consecuencias se encadenan. Un estadio más avanzado suele requerir tratamientos más intensivos o más agresivos, con mayor morbilidad asociada tanto a la enfermedad como al propio tratamiento [2]. Y, en paralelo, la probabilidad de éxito disminuye.

Conviene traducir esto a lo que significa para una persona concreta: un diagnóstico ágil puede ser la diferencia entre una intervención localizada con buen pronóstico y un tratamiento frente a una enfermedad ya diseminada. Detrás de cada indicador de tiempo hay pacientes cuyas opciones dependen, en parte, de la rapidez con la que el sistema es capaz de diagnosticar y actuar.

Factores que influyen en el time-to-treatment en hospitales

Si el tiempo importa tanto, ¿por qué se producen las demoras? Rara vez se deben a una sola causa. En la mayoría de los casos son el resultado de problemas estructurales del sistema: la carga asistencial creciente, los procesos manuales, la fragmentación de los circuitos y la limitación de recursos humanos y técnicos, factores todos ellos bien documentados en la literatura sobre la fuerza laboral en patología [6]. Dos de estos factores tienen un peso especial en la fase diagnóstica, y ambos convergen en el servicio de anatomía patológica.

Sobrecarga en anatomía patológica

Prácticamente todo diagnóstico oncológico pasa por un patólogo antes de que pueda decidirse el tratamiento. Y la demanda no deja de crecer: en España se estimaron 301.884 nuevos diagnósticos de cáncer en 2026 (la primera vez que se superan los 300.000), con tendencia al alza en los tumores más frecuentes [7]. Cada uno de esos casos genera muestras que hay que procesar, teñir, analizar y, cada vez más, ampliar con biomarcadores y técnicas moleculares.

A ese aumento de volumen y de complejidad se suma un déficit estructural de patólogos en muchos sistemas sanitarios, agravado por el envejecimiento de la plantilla y por las plazas de formación sin cubrir [6]. La combinación es un terreno fértil para las listas de espera: cuando el número de muestras crece más deprisa que la capacidad de análisis, los tiempos de respuesta se resienten y, con ellos, el time-to-treatment. La falta de automatización en tareas repetitivas agrava el problema, porque consume tiempo experto en trabajo mecánico.

Ineficiencias en los workflows clínicos

El segundo factor son los flujos de trabajo poco optimizados. Un proceso diagnóstico tradicional encadena numerosos pasos manuales (transporte físico de cristales, recuperación de material de archivo, solicitud de técnicas auxiliares, consultas entre especialistas) y cada transición es un punto donde el caso puede detenerse. Estos cuellos de botella no siempre se ven, pero suman días.

La experiencia de los servicios que han modernizado su operativa muestra el margen de mejora. En un gran centro académico, la digitalización del flujo de trabajo se asoció a una caída muy marcada en las peticiones de cristales de archivo y a una reducción de las inmunohistoquímicas auxiliares, además de ganancias operativas y de eficiencia [8]. Es la mejor evidencia de que muchos retrasos no son inevitables, sino consecuencia de procesos que pueden rediseñarse. Y ahí es donde la digitalización deja de ser una opción para convertirse en una necesidad.

Cómo mejorar el time-to-treatment en oncología

Reducir el time-to-treatment no depende de un único cambio, sino de una combinación de optimización de procesos, digitalización y tecnología. Rediseñar los circuitos para eliminar pasos redundantes, priorizar los casos urgentes y coordinar mejor a los equipos aporta mejoras inmediatas. Pero el salto cualitativo llega cuando esa reorganización se apoya en la patología digital y en la inteligencia artificial (IA).

Soporte a la interpretación diagnóstica del patólogo mediante inteligencia artificial

La IA puede acelerar de forma notable las tareas más repetitivas del diagnóstico sin sacrificar precisión. Un metaanálisis sobre IA en patología digital situó su rendimiento medio en una sensibilidad del 96,3 % y una especificidad del 93,3 %, cifras que respaldan su utilidad como apoyo, aunque con la cautela de que la evidencia aún debe consolidarse [9]. En aplicaciones concretas, el efecto sobre los tiempos es tangible: en el cribado mediante deep learning de la infección por Helicobacter pylori en biopsias gástricas, la asistencia por IA hizo el diagnóstico más rápido y más preciso que sin ella (odds ratio de 13,37; p<0,001 para los casos positivos) [10].

El punto clave es que la IA no sustituye al patólogo: lo apoya. Prioriza los casos con sospecha de malignidad para que se aborden primero, cuantifica biomarcadores de forma reproducible y actúa como una “segunda lectura” sistemática, mientras la decisión y la responsabilidad diagnóstica siguen siendo del profesional. En el ámbito español, compañías como Cells IA Technologies desarrollan plataformas de patología digital sobre las que operan estos algoritmos de asistencia, cada uno con su finalidad de uso y su proceso de validación. El resultado, bien integrado, es un diagnóstico más ágil que ayuda a acortar el intervalo hasta el tratamiento.

Implementación de patología digital en hospitales

La IA solo despliega todo su potencial sobre una base digital. Digitalizar el servicio de anatomía patológica (sustituir el cristal por imágenes de alta resolución que el patólogo revisa en pantalla) reorganiza el flujo de trabajo de raíz: permite el acceso remoto, las segundas opiniones inmediatas, la consulta de archivos sin desplazamientos físicos y la priorización inteligente de casos.

El impacto en los tiempos está documentado. Tras un año de patología digital en un centro académico terciario, la concordancia diagnóstica con el método tradicional se mantuvo en el 99 % y se redujo en casi un minuto el tiempo de firma por caso [11]. Y la experiencia de varios laboratorios europeos punteros confirma que la digitalización mejora la organización del laboratorio, la flexibilidad y la capacidad de mantener volúmenes crecientes con la plantilla disponible [12]. Cada una de esas ganancias, sumada a lo largo del circuito, se traduce en un diagnóstico más rápido y, por tanto, en un menor time-to-treatment.

El futuro del time-to-treatment en la oncología moderna

La dirección del cambio es inequívoca: sistemas sanitarios más eficientes, circuitos diagnósticos más cortos y una integración creciente entre patología digital, inteligencia artificial y el resto de la información clínica del paciente. Los modelos de IA de nueva generación, capaces de asistir en múltiples tareas, y la interconexión de los sistemas hospitalarios apuntan a un escenario en el que el tiempo perdido en transiciones y trabajo repetitivo se reduzca de forma sustancial.

Nada de esto reemplaza el criterio del patólogo ni la decisión del oncólogo; los sitúa, más bien, en las mejores condiciones para actuar con rapidez y precisión. Porque, al final, mejorar el time-to-treatment no es un objetivo tecnológico, sino clínico y humano: cada día que se gana en el camino hacia el tratamiento es un día que juega a favor del paciente.

Referencias

1. Khorana AA, Tullio K, Elson P, et al. Time to initial cancer treatment in the United States and association with survival over time: an observational study. PLoS One. 2019;14(3):e0213209. https://doi.org/10.1371/journal.pone.0213209 (consultado el 13 de julio de 2026).
2. Neal RD, Tharmanathan P, France B, et al. Is increased time to diagnosis and treatment in symptomatic cancer associated with poorer outcomes? Systematic review. Br J Cancer. 2015;112(Suppl 1):S92-S107. https://doi.org/10.1038/bjc.2015.48 (consultado el 13 de julio de 2026).
3. Hanna TP, King WD, Thibodeau S, et al. Mortality due to cancer treatment delay: systematic review and meta-analysis. BMJ. 2020;371:m4087. https://doi.org/10.1136/bmj.m4087 (consultado el 13 de julio de 2026).
4. Biagi JJ, Raphael MJ, Mackillop WJ, Kong W, King WD, Booth CM. Association between time to initiation of adjuvant chemotherapy and survival in colorectal cancer: a systematic review and meta-analysis. JAMA. 2011;305(22):2335-2342. https://doi.org/10.1001/jama.2011.749 (consultado el 13 de julio de 2026).
5. Chavez-MacGregor M, Clarke CA, Lichtensztajn DY, Giordano SH. Delayed initiation of adjuvant chemotherapy among patients with breast cancer. JAMA Oncol. 2016;2(3):322-329. https://doi.org/10.1001/jamaoncol.2015.3856 (consultado el 13 de julio de 2026).
6. Walsh E, Orsi NM. The current troubled state of the global pathology workforce: a concise review. Diagn Pathol. 2024;19(1):163. https://doi.org/10.1186/s13000-024-01590-2  (consultado el 13 de julio de 2026).
7. Sociedad Española de Oncología Médica (SEOM), Red Española de Registros de Cáncer (REDECAN). Las cifras del cáncer en España 2026. Madrid: SEOM; 2026. https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf (consultado el 13 de julio de 2026).
8. Hanna MG, Reuter VE, Samboy J, et al. Implementation of digital pathology offers clinical and operational increase in efficiency and cost savings. Arch Pathol Lab Med. 2019;143(12):1545-1555. https://doi.org/10.5858/arpa.2018-0514-OA (consultado el 13 de julio de 2026).
9. McGenity C, Clarke EL, Jennings C, et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. NPJ Digit Med. 2024;7:114. https://doi.org/10.1038/s41746-024-01106-8 (consultado el 13 de julio de 2026).
10. Aneiros-Fernández J, Montero Pavón P, García Gómez N, et al. Rapid and efficient screening of Helicobacter pylori in gastric samples stained with Warthin–Starry using deep learning. Diagnostics (Basel). 2025;15(9):1085. https://doi.org/10.3390/diagnostics15091085 (consultado el 13 de julio de 2026).
11. Iwuajoku V, Ekici K, Haas A, et al. An equivalency and efficiency study for one year digital pathology for clinical routine diagnostics in an accredited tertiary academic center. Virchows Arch. 2025;487:3-12. https://doi.org/10.1007/s00428-025-04043-3 (consultado el 13 de julio de 2026).
12. Matias-Guiu X, Temprana-Salvador J, Garcia Lopez P, et al. Implementing digital pathology: qualitative and financial insights from eight leading European laboratories. Virchows Arch. 2025;487:815-826. https://doi.org/10.1007/s00428-025-04064-y (consultado el 13 de julio de 2026).