Kenko Imalytics nació como una spin-off de la Universitat Politècnica de València. ¿Cómo surgió la idea?
Kenko Imalytics surge de la unión entre dos mundos que tradicionalmente han trabajado de forma separada: la estadística y la práctica clínica. Nuestros fundadores, liderados por el profesor Alberto J. Ferrer-Riquelme, José Manuel Prats y el doctor Eric Aguado, llevan más de 15 años investigando modelos multivariantes para analizar grandes volúmenes de datos complejos en el entorno de salud, y colaborando con la Dra Julia Camps, líder internacional en radiología de mama.
La idea fue sencilla en su planteamiento, aunque muy compleja en su ejecución: transformar toda esa información contenida en las imágenes de resonancia en biomarcadores cuantificables que ayudaran a los radiólogos a comprender mejor el comportamiento fisiológico de los tumores. Así nació Kenko Imalytics en 2021, con la misión de convertir datos complejos en conocimiento clínico útil.
¿Qué oportunidades está generando la IA en el entorno sanitario?
Existe una tendencia a asociar la inteligencia artificial en salud con sistemas capaces de predecir diagnósticos o sustituir determinadas tareas clínicas. Sin embargo, desde Kenko Imalytics creemos que su mayor valor está en ayudar a los profesionales a comprender mejor la información que ya tienen delante y a tomar decisiones con mayor confianza.
En nuestro caso, no utilizamos la inteligencia artificial para emitir un diagnóstico automático a partir de una imagen de resonancia magnética. La utilizamos para transformar grandes volúmenes de datos complejos en biomarcadores cuantitativos que reflejan fenómenos fisiológicos reales, como la vascularización o la densidad celular de un tumor.
Esto permite que el radiólogo disponga de información objetiva, interpretable y visualmente comprensible sobre el comportamiento de una lesión. En lugar de reemplazar el criterio clínico, la tecnología amplifica su capacidad de análisis y facilita una evaluación más precisa y personalizada de cada paciente.
¿Cuál es la principal propuesta de valor que aporta Kenko Imalytics con respecto a otras soluciones de IA para la detección del cáncer?
La principal diferencia está en lo que comentaba anteriormente: no somos una ‘black box’, no trabajamos con modelos de predicción basados exclusivamente en aprendizaje automático a través de casos clínicos. Nuestro enfoque consiste en generar biomarcadores de imagen que reflejan los fenómenos fisiológicos que están dándose en cada paciente. Es decir, aporta un plus de información personalizada para que el profesional sanitario pueda perfilar cada diagnóstico, una vuelta de tuerca frente a las IA que dan un porcentaje de probabilidad de cáncer en una zona concreta.
¿Cómo funciona? A partir de secuencias de resonancia magnética obtenemos información relacionada con la vascularización, la densidad celular y la agresividad tumoral y creamos modelos personalizados para cada paciente que muestran las zonas con los comportamientos anormales. Esto permite al radiólogo visualizar las zonas que presentan comportamientos fisiológicos compatibles con un tumor y cuáles corresponden a tejido sano o lesiones benignas, reduciendo notablemente los falsos positivos.
Como ejemplo podemos hablar de nuestro primer producto a punto de salir al mercado, Kenko BreastAI+, que es capaz de ayudar a localizar el tumor, identificar sus zonas más agresivas e incluso aportar información relevante sobre su posible subtipo tumoral. Todo ello en apenas unos minutos y sin sustituir nunca el criterio clínico del especialista.
¿Por qué se centran más en la ‘interpretabilidad’ y menos en la ‘predicción’?
Muchas herramientas ofrecen resultados predictivos muy potentes, pero funcionan como cajas negras. El profesional recibe una probabilidad o una recomendación sin comprender realmente qué información ha utilizado el algoritmo para llegar a ella.
Nosotros hemos optado por un camino diferente. Aportamos modelos personalizados que el médico entiende fácilmente y puede interpretar la información que recibe. Nuestros biomarcadores muestran fenómenos fisiológicos como la angiogénesis tumoral o la densidad celular, permitiendo que el radiólogo entienda qué está viendo y cómo esa información complementa su razonamiento clínico.
La última palabra siempre corresponde al especialista. Nuestro papel es proporcionarle más información, no sustituir su criterio.
La innovación sanitaria suele verse frenada por procesos de validación largos y exigentes. ¿Os afecta de alguna manera?
Nos afecta como a cualquier empresa del sector, pero lo entendemos como una parte esencial del proceso.
La salud exige niveles de evidencia muy superiores a los de otros ámbitos tecnológicos. No basta con desarrollar una solución innovadora; es necesario demostrar que aporta valor clínico, que es segura y que puede integrarse de forma eficiente en la práctica asistencial.
Actualmente estamos validando nuestras soluciones en entornos clínicos reales y trabajando en procesos regulatorios para conseguir el marcado CE, que nos permitirá garantizar la máxima fiabilidad a nivel europeo.
¿Con qué otras problemáticas se encuentran las compañías healthtech como la vuestra en Europa?
Europa ha dado un paso muy importante hacia la armonización regulatoria con la implantación del Reglamento de Productos Sanitarios y el marcado CE. Disponer de un marco común para todos los países de la Unión Europea aporta seguridad, establece unos estándares de calidad muy elevados y facilita que las empresas desarrollen soluciones con una base regulatoria única.
Sin embargo, una vez superada esa primera barrera, aparece un segundo reto: el acceso a los sistemas sanitarios. Aunque el producto cuente con el marcado CE, cada país mantiene sus propios procedimientos de evaluación, incorporación, financiación y compra pública de tecnologías sanitarias. En algunos casos, incluso existen diferencias entre regiones de un mismo país.
Esto nos obliga a recorrer un proceso distinto en cada mercado, y para una startup, supone dedicar una cantidad muy importante de tiempo y recursos navegando por procedimientos administrativos en lugar de destinarlos a seguir innovando.
Europa debe aspirar a consolidar un verdadero mercado único de la innovación sanitaria, porque de poco sirve contar con una regulación común si, en la práctica, el acceso al mercado continúa estando tan fragmentado.
¿Cómo depende la innovación en salud de la colaboración entre empresas, universidades, hospitales, centros de investigación, etc.?
Es esencial, de hecho Kenko Imalytics nació precisamente de esa colaboración. La Universitat Politècnica de València aportó el conocimiento científico y estadístico; referentes internacionales como la doctora Julia Camps contribuyeron con su experiencia en radiología mamaria; y organizaciones como Ribera Salud facilitaron la validación de nuestras soluciones en entornos reales.
Además, trabajamos con hospitales y profesionales que participan activamente en la evaluación de nuestros biomarcadores. Esta interacción constante entre ingeniería, estadística, radiología, anatomía patológica y oncología es la que permite desarrollar herramientas realmente útiles para los pacientes.
Contáis en el equipo con Alberto J. Ferrer-Riquelme, cofundador de la compañía y catedrático de la UPV, único español que ha sido distinguido con la Box Medal de estadística aplicada. ¿Qué importancia tiene la estadística avanzada en el desarrollo de tecnologías como la vuestra?
Es absolutamente fundamental. La inteligencia artificial no puede existir sin una base estadística sólida. Antes de desarrollar algoritmos, es necesario comprender los datos, identificar relaciones fiables y construir modelos robustos.
La trayectoria de Alberto ejemplifica precisamente esa capacidad de transformar datos complejos en conocimiento útil. Durante décadas ha trabajado en sectores industriales desarrollando metodologías para mejorar procesos y detectar patrones ocultos. Hoy aplicamos ese mismo conocimiento al ámbito sanitario.
Nuestros biomarcadores son el resultado de años de investigación estadística avanzada aplicada a la resonancia magnética. La diferencia es que ahora ese conocimiento puede contribuir a mejorar decisiones clínicas y resultados en salud.
¿Qué avances cree que veremos en los próximos años en materia de inteligencia artificial aplicada al diagnóstico?
Como en muchos aspectos del sector sanitarios, creo que veremos una evolución hacia una radiología mucho más cuantitativa y personalizada.
Hasta ahora gran parte del diagnóstico se ha basado en la interpretación visual de las imágenes. En los próximos años incorporaremos cada vez más biomarcadores capaces de describir procesos biológicos de forma objetiva y reproducible.
También veremos sistemas capaces de integrar información de imagen, datos clínicos, genéticos y genómicos, entre muchos otros para ofrecer una visión más completa de cada paciente.
La IA ayudará a identificar qué tratamientos pueden ser más efectivos, cómo evolucionará una enfermedad o qué pacientes necesitan un seguimiento más intensivo. Pero siempre como apoyo al especialista, no como sustituto.
¿Cuáles son las previsiones de futuro de Kenko a corto, medio y largo plazo?
A corto plazo estamos centrados en seguir validando clínicamente nuestras soluciones y ampliar sus aplicaciones y su adopción en hospitales y centros especializados.
A medio plazo queremos consolidar nuestra presencia internacional y continuar desarrollando nuevos biomarcadores de imagen que aporten información cada vez más relevante para la toma de decisiones clínicas en diferentes casuísticas: cáncer de próstata, vejiga y lesiones hepáticas serán nuestros siguientes pasos.
Y a largo plazo nuestra visión es contribuir a una nueva generación de herramientas de diagnóstico basadas en biomarcadores explicables. Creemos que el futuro de la medicina pasa por comprender mejor la biología de cada paciente y adaptar los tratamientos a sus características específicas.
Si conseguimos que los profesionales dispongan de información más precisa, interpretable y útil desde las primeras fases del diagnóstico, estaremos contribuyendo a una atención más personalizada, eficiente y humana.