Arꢂculo original | Original arꢀcle  
1
Rev Argent Cir. 2026;118(2):e-1963- hꢀp://dx.doi.org/10.25132/raac.v118.n2.1963  
Exacꢀtud de la inteligencia arꢀꢁcial en la estadiꢁcación y toma de decisiones en  
cáncer esófago gástrico  
Accuracy of arꢀꢁcial intelligence for staging and decision-making in esophageal and gastric cancer  
Adelina E. Coturel , Paula Pereyra , Rodrigo García , Agusꢁn Diomedi , Juan J. M. Cabas Audicio , Roberto  
Klappenbach  
Insꢀtución: RESUMEN  
Hospital de Alta  
Complejidad del Antecedentes: la inteligencia arꢀꢁcial (IA) ha mostrado un creciente potencial en el ámbito de la  
Bicentenario de Esteban oncología, no solo en el análisis de imágenes sino también como herramienta de apoyo en la toma de  
Echeverria. Buenos decisiones clínicas.  
Aires, Argenꢀna.  
Objeꢀvo: evaluar un modelo conversacional basado en IA, entrenado con guías clínicas, para asisꢀr en  
la estadiꢁcación y planiꢁcación terapéuꢀca inicial en cáncer esofagogástrico.  
Material y métodos: se realizó un estudio retrospecꢀvo en pacientes con cáncer de esófago, estómago  
Los autores declaran no  
y de la unión esofagogástrica, en un hospital de tercer nivel de atención, tratados entre diciembre  
tener conflictos  
de 2023 y mayo de 2025. Se desarrolló un asistente virtual o chatbot con ChatGPT-4.5® (OpenAI),  
de interés.  
Conflicts of interest conꢁgurado para interpretar los estudios según guías NCCN y ESMO. El chatbot debía determinar el  
None declared. estadio clínico (cTNM), sugerir la conducta terapéuꢀca y detectar hallazgos relevantes. Sus respuestas  
se compararon con las decisiones del equipo médico tratante.  
Resultados: de 53 pacientes evaluados, 34 cumplieron los criterios de inclusión. La concordancia entre  
Correspondencia  
el cTNM y el estadio clínico asignados por el equipo médico y el chatbot fue del 94%. La coincidencia  
Correspondence:  
en la conducta terapéuꢀca sugerida fue del 85%. Las discrepancias fueron por diferencias en la  
Adelina E. Coturel  
interpretación del estadio, consideraciones clínicas no disponibles para la IA y aspectos sociales o  
logísꢀcos que influyeron en la decisión médica.  
com Conclusión: la IA aplicada mediante un chatbot mostró uꢀlidad para asisꢀr en la estadiꢁcación y  
propuesta terapéuꢀca inicial del cáncer esofagogástrico, con alta concordancia con las decisiones  
clínicas.  
Palabras clave: inteligencia arꢂꢃcial, neoplasias esofágicas, neoplasias gástricas, estadiꢃcación de tumores,  
sistemas de apoyo a la toma de decisiones clínicas.  
ABSTRACT  
Background: Arꢀꢁcial intelligence (AI) has demonstrated increasing potenꢀal in oncology, including in  
imaging analysis and as a tool for supporꢀng clinical decision-making.  
Objecꢀve: The aim of this study was to evaluate an AI conversaꢀonal model, trained using up-to-date  
clinical guidelines, to assist with staging and iniꢀal treatment planning in paꢀents with gastroesophageal  
cancer.  
Materials and methods: We conducted a retrospecꢀve study of paꢀents with esophageal, gastric, and  
gastroesophageal juncꢀon cancer treated at a terꢀary care hospital between December 2023 and May  
2
025. A virtual clinical assistant or chatbot was developed using ChatGPT-4.5® (OpenAI), conꢁgured  
to interpret test results in accordance with the NCCN and ESMO guidelines. The chatbot was designed  
to determine the clinical stage (cTNM), suggest a treatment plan, and idenꢀfy relevant ꢁndings. The  
answers were compared with the decisions made by the treaꢀng physician.  
Results: Of the 53 paꢀents evaluated, 34 met the inclusion criteria. The accuracy between the  
cTNM staging determined by the medical team and that of the chatbot was 94%. The concordance  
in the suggested therapeuꢀc approach was 85%. The discrepancies were due to differences in the  
interpretaꢀon of the stage, clinical consideraꢀons not available to the AI, and social or logisꢀcal factors  
that influenced the medical decision.  
Conclusion: AI, implemented through a chatbot trained using clinical guidelines, proved useful in  
supporꢀng staging and iniꢀal treatment planning for gastroesophageal cancer, with high concordance  
with clinical decisions.  
Keywords: arꢂꢃcial intelligence, esophageal neoplasms, stomach neoplasms, neoplasm staging, decision  
support systems, clinical.  
Recibido | Received ID ORCID: Adelina E. Coturel, 0000-0001-5379-6872; Paula Pereyra, 0009-0007-2682-586X; Rodrigo García,  
0
1-01-26 0000-0001-9442-1989; Agusꢁn Diomedi, 0009-0009-0961-2461; Juan J. M. Cabas Audicio, 0009-0007-4379-6941;  
Aceptado | Accepted Roberto Klappenbach, 0000-0002-0069-0035.  
1-04-26  
0
2
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
Introducción  
informe de endoscopia digesꢀva alta, informe anato-  
mopatológico de biopsia, tomograꢂa computarizada,  
La inteligencia arꢀꢁcial (IA) se ha consolidado tomograꢂa por emisión de positrones (PET-TC) en pa-  
como una herramienta transformadora en medicina, cientes con cáncer de esófago o tumores de la UEG.  
especialmente en oncología, donde ha demostrado me-  
Fueron excluidos los pacientes sin la totalidad  
jorar la precisión diagnósꢀca, opꢀmizar la planiꢁcación de los estudios preoperatorios mencionados, o con his-  
terapéuꢀca y apoyar la toma de decisiones personaliza- tología diferente de adenocarcinoma o carcinoma epi-  
1
das . En términos generales, la IA comprende sistemas dermoide.  
capaces de reproducir funciones cogniꢀvas humanas,  
Las decisiones terapéuꢀcas se tomaron en for-  
2
como el aprendizaje y el razonamiento . Dentro de este ma mulꢀdisciplinaria entre cirujanos especialistas en  
campo, los modelos de lenguaje natural uꢀlizados en Cirugía Esofagogástrica oncológica, oncólogos clínicos,  
asistentes conversacionales, chatbots, permiten inter- anestesiólogos, médicos clínicos y nutricionistas.  
pretar e interactuar con lenguaje clínico complejo.  
El avance del deep learning ha ampliado la ca-  
pacidad de estas tecnologías para analizar información Desarrollo y uso del asistente virtual  
heterogénea, imágenes, texto libre y datos clínicos es-  
tructurados, y vincularla con guías de prácꢀca clínica.  
Para el análisis automaꢀzado se desarrolló un  
En oncología digesꢀva se han informado aplicaciones asistente clínico virtual uꢀlizando ChatGPT (OpenAI),  
®
exitosas en detección temprana de cáncer esofago- versión GPT-4.5 , a través de una suscripción paga Chat-  
®
gástrico, idenꢀꢁcación automaꢀzada de lesiones en- GPT Plus . El desarrollo y conꢁguración del asistente fue  
3
doscópicas y predicción de respuesta terapéuꢀca . Sin realizado por cirujanos con formación en Cirugía Eso-  
embargo, hay poca evidencia sobre el uso de modelos fagogástrica y experiencia en estadiꢁcación tumoral. Si  
conversacionales para el desarrollo de asistentes que bien no cuentan con formación formal en programa-  
permitan colaborar con la estadiꢁcación y planiꢁcación ción ni en desarrollo algorítmico, poseen capacitación  
inicial del tratamiento.  
en IA aplicada al ámbito sanitario, lo que permiꢀó es-  
En la Argenꢀna, la evidencia sobre el uso de la tructurar el uso del modelo bajo criterios clínicos y me-  
IA en medicina aún es limitada. Se han publicado expe- todológicos adecuados.  
riencias en reconocimiento de imágenes para la visión  
El chatbot fue conꢁgurado especíꢁcamente  
críꢀca de seguridad en colecistectomías en el Hospital para esta tarea mediante la carga y lectura contextual  
4
Argerich , en la evaluación del uso de ChatGPT para re- de las guías clínicas actualizadas de la Red Nacional del  
5
comendaciones de screening de cáncer colorrectal , y Cáncer de Estados Unidos (NCCN, por sus siglas del in-  
en la implementación de un copiloto de IA integrado a glés Naꢀonal Comprehensive Cancer Network)7 y de  
,8  
historias clínicas electrónicas en el Hospital Italiano de la Sociedad Europea de Oncología Clínica (ESMO, del  
6
9,10  
Buenos Aires , orientado a mejorar el acceso a informa- inglés European Society for Medical Oncology) , co-  
ción relevante del paciente.  
En este contexto, el objeꢀvo principal de nues-  
rrespondientes a cáncer de esófago y cáncer gástrico.  
El modelo fue instruido para procesar, en len-  
tro estudio fue evaluar la precisión de un modelo con- guaje natural, la información clínica de cada paciente  
versacional de IA para predecir el estadio clínico (cTNM simulando una consulta oncológica inicial. Cabe des-  
y estadio global) a parꢀr de los estudios disponibles en tacar que, para ello, no fue reentrenado ni modiꢁcado  
la primera consulta oncológica de pacientes con cáncer a nivel algorítmico. Se trabajó mediante ingeniería de  
esofagogástrico. Como objeꢀvo secundario, analizar la prompts, deꢁniendo instrucciones estructuradas basa-  
concordancia entre las conductas terapéuꢀcas sugeri- das en las guías internacionales mencionadas. A parꢀr  
das por el chatbot y las indicadas por el comité de tu- de los datos aportados (edad, sexo, comorbilidades,  
mores o el equipo tratante.  
moꢀvo de consulta, informes de endoscopia, anatomía  
patológica e imágenes), el asistente debía: a) determi-  
nar el estadio clínico del tumor según la clasiꢁcación  
TNM 8ª edición (AJCC) ; b) sugerir el tratamiento on-  
cológico inicial adecuado según guías internacionales.  
Previamente al análisis deꢁniꢀvo, se realizaron  
1
1
Material y métodos  
Se realizó un estudio retrospecꢀvo sobre la  
base de datos de pacientes que consultaron por prime- pruebas piloto con casos históricos no incluidos en la  
ra vez, por patología oncológica, en el consultorio de ci- cohorte ꢁnal, con el objeꢀvo de estandarizar el formato  
rugía esofagogástrica de la insꢀtución, entre diciembre de ingreso de datos, ajustar la redacción de las instruc-  
de 2023 y mayo de 2025.  
ciones y homogeneizar la estructura de las respuestas.  
Fueron incluidos aquellos pacientes de los cua- No se realizaron modiꢁcaciones sustanciales en las ins-  
les se contaba con estudios preoperatorios completos, trucciones durante el análisis de los casos incluidos en  
deꢁnidos como: pacientes con diagnósꢀco de tumor el estudio.  
de esófago, unión esofagogástrica (UEG) o estómago,  
Cada caso de estudio fue procesado de manera  
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
3
individual, cargando los datos clínicos en la plataforma  
Consideraciones éꢀcas: El presente estudio fue  
y registrando las respuestas generadas por la IA en una realizado de acuerdo con los principios éꢀcos de la De-  
tabla estructurada. Posteriormente, las propuestas del claración de Helsinki. Por tratarse de un estudio retros-  
asistente fueron comparadas con las decisiones toma- pecꢀvo, observacional y basado en el análisis de datos  
das por el comité de tumores o el equipo tratante en la clínicos anonimizados, no se requirió consenꢀmiento  
prácꢀca clínica habitual.  
En aquellos casos en los que se idenꢀꢁcaron  
discrepancias en la estadiꢁcación o en la conducta tera-  
informado.  
péuꢀca sugerida, se realizó una interacción dirigida con Resultados  
el chatbot, con el objeꢀvo de explorar las causas de la  
diferencia y determinar si se trataba de una interpreta-  
De 53 pacientes que consultaron por tumores  
ción alternaꢀva válida, una omisión de datos relevan- de esófago, estómago y de la UEG en el período indica-  
tes, o una limitación en la comprensión contextual de do, se excluyeron 19 por falta de datos relevantes en  
los estudios.  
la historia clínica, y se incluyeron 34 casos que cum-  
plían los criterios de inclusión. De ellos, 18 (51%) eran  
de sexo masculino y la edad promedio fue de 67 años  
(rango 51-80). En 29 pacientes se encontraba detallado  
el moꢀvo de consulta, y eso se analizó en la tabla 1,  
junto al resto de los datos demográꢁcos y la ubicación  
del tumor.  
Análisis estadísꢀco  
Las variables analizadas fueron:  
1
) demográꢁcas: edad, sexo, comorbilidades,  
moꢀvo de consulta; 2) del tumor: topograꢂa, histopa-  
tología, informes de endoscopia, tomograꢂa y PET-TC,  
cTNM, estadio clínico; 3) del tratamiento: realización  
de tratamiento endoscópico, tratamiento quirúrgico  
sin neoadyuvancia, tratamiento quirúrgico con neoad-  
yuvancia o quimioterapia perioperatoria, tratamiento  
paliaꢀvo.  
Se realizó un análisis descripꢀvo de los datos  
recolectados. Las variables categóricas se expresaron  
como frecuencias absolutas y porcentajes, mientras  
que las variables conꢀnuas se informaron como media  
y rango.  
■
TABLA 1  
Variables demográꢁcas y de los tumores  
Variables  
n (%)  
Comorbilidades  
Diabetes mellitus  
HTA  
EPOC  
Tabaquista o extabaquista  
Enfermedad cardiovascular  
Cáncer de mama  
Otros cánceres  
11 (32%)  
19 (56%)  
6 (18%)  
9 (27%)  
9 (27%)  
6 (18%)  
4 (11%)  
La concordancia entre la estadiꢁcación clínica  
cTNM y estadio global) propuesta por el chatbot y la  
(
Moꢀvo de consulta  
realizada por el equipo médico fue evaluada mediante  
comparación directa caso por caso. Del mismo modo,  
se analizó la concordancia en la conducta terapéuꢀca  
sugerida.  
El estudio se diseñó bajo la hipótesis de que  
un modelo conversacional de IA, entrenado con guías  
clínicas actualizadas, podría predecir correctamente la  
estadiꢁcación clínica en al menos el 80% de los casos y  
sugerir tratamientos acordes con las recomendaciones  
internacionales. Dado el carácter exploratorio del estu-  
dio y el tamaño de la muestra, no se aplicaron pruebas  
estadísꢀcas inferenciales.  
La exacꢀtud del modelo se calculó como la pro-  
porción de casos en los que la respuesta del chatbot  
coincidió con la estadiꢁcación o la conducta propuesta  
por el equipo médico, sobre el total de casos evalua-  
dos. Se uꢀlizó la siguiente fórmula:  
Hemorragia digesꢀva  
Disfagia  
Dispepsia o dolor epigástrico  
Síndrome pilórico o vómitos  
Descenso de peso  
6 (18%)  
16 (47%)  
14 (41%)  
9 (26%)  
26 (76%)  
Ubicación del tumor  
Esófago  
Estómago  
Unión esofagogástrica  
10 (29%)  
13 (38%)  
11 (32%)  
2 (18%)  
6 (54%)  
-
-
-
Siewert I  
Siewert II  
Siewert III  
3
(27%)  
Anatomía patológica  
Células en anillo de sello  
Esófago  
1 (10%)  
3 (27%)  
4 (31%)  
5 (50%)  
Unión esofagogástrica  
Estómago  
Exacꢀtud (%) = (Casos concordantes / Total de casos) × 100  
Carcinoma escamoso*  
Se calcularon por separado la exacꢀtud para  
cTNM, estadio clínico y tratamiento sugerido.  
*Del total de los cánceres de esófago.  
HTA: hipertensión arterial; EPOC: enfermedad pulmonar obstrucꢀva cró-  
nica.  
4
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
Según el estadio, 3 pacientes presentaron esta- bot: 83% en el grupo 1, 100% en el grupo 2 y también  
dio I, 7 estadio II, 17 estadio II y 7 estadio IV. El resto de 100% en el grupo 3.  
las caracterísꢀcas se describen en la tabla 2.  
La exacꢀtud entre el cTNM esꢀpulado por el  
equipo médico y el del chatbot fue del 94%. Dentro del Discusión  
tratamiento propuesto, la concordancia fue del 85%.  
Los casos discordantes se presentan en la tabla 3.  
El presente estudio evaluó la uꢀlidad de un  
Al dividir la cohorte en tres grupos secuen- modelo conversacional de inteligencia arꢀꢁcial, entre-  
ciales (n = 12, 11 y 11 pacientes), encontramos una nado con guías clínicas actualizadas, para asisꢀr en la  
mejoría en la precisión en el cTNM y el estadio del chat- estadiꢁcación y planiꢁcación terapéuꢀca inicial en pa-  
cientes con cáncer de esófago, unión esofagogástrica  
■
TABLA 2  
y estómago. Los resultados muestran una alta concor-  
dancia entre la estadiꢁcación clínica propuesta por el  
chatbot y la realizada por el equipo médico tratante  
Comparación entre la estadiꢁcación clínica realizada por el equipo  
médico y el chatbot  
(94%), tanto a nivel de cTNM como de estadio global.  
cTNM**  
Equipo médico  
Chatbot  
Si bien la concordancia en la conducta terapéuꢀca fue  
algo menor (85%), en la mayoría de los casos las dife-  
rencias se explicaron por consideraciones clínicas con-  
textuales no siempre disponibles para el modelo, como  
limitaciones sociales.  
cT  
cT1b  
1(3%)  
1(3%)  
3(9%)  
21(62%)  
4(12%)  
4(12%)  
1 (3%)  
1 (3%)  
3 (9%)  
21 (62%)  
4 (12%)  
4 (12%)  
cT1b-2  
cT2-3  
cT3  
cT3-4  
cT4  
Los chatbots son programas que procesan y  
simulan conversaciones humanas mediante lenguaje  
1
2
natural . Su uso en salud creció durante la pandemia  
de COVID-19, aunque aún permanece subuꢀlizado y se  
espera que aumente en la próxima década. En cáncer  
gástrico, disꢀntos modelos de inteligencia arꢀꢁcial han  
mostrado precisión prometedora para idenꢀꢁcar in-  
dividuos de alto riesgo, predecir agresividad tumoral,  
recurrencia y supervivencia1 . El deep learning ha de-  
mostrado capacidad para analizar imágenes endoscó-  
picas, datos genómicos e histopatológicos, mejorando  
diagnósꢀco y pronósꢀco. La integración mulꢀmodal  
de datos clínicos, genéꢀcos e imagenológicos permite  
obtener una visión más completa de la enfermedad y  
cN  
cN0-1  
cN+  
1(3%)  
20(59%)  
1 (3%)  
21 (62%)  
cM  
cM1  
Estadios  
7(21%)  
6(18 %)  
3,14  
I
II  
III  
IV  
3(9%)  
7(20%)  
17(50%)  
7(20%)  
3 (9%)  
6 (18%)  
19 (56%)  
6 (18%)  
■
TABLA 3  
Casos discordantes entre el Equipo Médico y el chatbot  
Moꢀvo Equipo Médico  
Categoría de la  
Caso  
chatbot  
discrepancia  
Adenopaꢃas lateroaórꢀcas en estudios por  
Considera adenopaꢃas regiona-  
1
1
cTNM y estadio clínico  
Considera M1, estadio IV  
Tratamiento paliaꢀvo  
imágenes  
les, M0, estadio III  
Tratamiento  
Discrepancia de estadio clínico (IV vs. III)  
Neoadyuvancia y cirugía  
Tumor de la UEG, sin adenopaꢃas hipercaptantes  
Estadiꢁcación clínica: cT-  
Estadiꢁcación clínica: y el Chat-  
2
3
4
cTNM y estadio clínico en la PET. El chatBot lo considera N + probable por  
3
N0M0 (EII)  
bot cT3N1M0 (EIII)  
la longitud del tumor (5,8 cm) y SUV 13,1  
Sexo femenino, 63 años, HTA y trasplante renal  
Tratamiento  
Quimioterapia Radioterapia  
deꢁniꢀva  
CROSS y esofagectomía  
Carcinoma escamoso de tercio medio de esófago  
Sexo femenino, 80 años, ingresa por Guardia por  
Prehabilitación 3 semanas y  
Tratamiento  
Tratamiento  
hemorragia digesꢀva y disnea. Hallazgo de adeno-  
Tratamiento paliaꢀvo  
FLOT y gastrectomía  
gastrectomía  
carcinoma gástrico cT3N+M0  
Masculino, 65 años, cáncer gástrico difuso (lin- Prehabilitación 3 semanas in-  
niꢀs), mala tolerancia a la vía oral. Sin cobertura ternado (nutrición parenteral  
social y enteral) y gastrectomía  
FLOT y gastrectomía  
5
6
Sexo femenino, 51 años, adenocarcinoma de la  
UEG cT3N+M0Discordancia entre Siewert  
Tratamiento  
CROSS y esofagectomía  
7*  
Tipo de cirugía  
Paciente con adenocarcinoma de cuerpo gástrico  
FLOT y gastrectomía total  
FLOT y gastrectomía distal  
*
Este caso no se considera discrepancia formal (el plan terapéuꢀco es correcto), pero se menciona ya que varía el ꢀpo de gastrectomía, lo que es relevante  
revisar para asegurar una resección oncológica adecuada.  
UEG: unión gastroesofágica; PET: tomograꢂa por emisión de positrones (PositronEmissionThomography); SUV: StandardizedUptakeValue; HTA: hiperten-  
sión arterial; CROSS: ChemoRadiotherapy for Oesophageal cancer followed by Surgery; FLOT: quimioterapia perioperatoria con 5-Fluorouracilo, leucovo-  
rina, oxaliplaꢀno y tetraxetaxel (docetaxel).  
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
5
1
6
podría contribuir a estrategias terapéuꢀcas personali- cáncer gástrico , como los tumores T2 y T3/4 se reco-  
zadas.  
nocen por signos transmurales, la diferenciación puede  
Un estudio reciente de China15 comparó el ser diꢂcil, parꢀcularmente entre T3 y T4a, donde la se-  
®
rendimiento de ChatGPT-4o y Gemini Advanced en rosa no se visualiza directamente y el tejido graso peri-  
la toma de decisiones para cáncer gástrico avanzado, gástrico varía entre pacientes. Algunos hallazgos como  
uꢀlizando tres enfoques complementarios: preguntas irregularidad de la superꢁcie externa, opacidad de la  
clínicas clave, pacientes evaluados en reuniones de grasa perigástrica o hiperatenuación serosa sugieren  
equipo mulꢀdisciplinario y casos raros publicados en T4a, mientras que la extensión franca a órganos adya-  
PubMed.Entodoslosescenarios,ChatGPT-4omostróun centes orienta a T4b1  
7,18  
.
desempeño superior, con mayor precisión y compleꢀ-  
La evaluación del compromiso ganglionar es  
tud de las recomendaciones, mejor alineamiento con clave para deꢁnir la necesidad de terapia neoadyuvan-  
guías clínicas y mayor capacidad para adaptarse a per- te, aunque no existe un método de referencia (gold  
ꢁ
les complejos de pacientes. La tasa de alucinaciones standard) en cáncer gástrico y de la UEG. La ecoendos-  
también fue menor en ChatGPT-4o (5,25%) en compa- copia presenta una exacꢀtud variable (30-90%), con  
ración con Gemini (8,42%), sin implicar riesgos clínicos baja sensibilidad en estaciones 7-12 y marcada depen-  
1
9
inmediatos. Si bien estos resultados refuerzan el poten- dencia del operador, lo que limita su disponibilidad . La  
cial de los modelos conversacionales como apoyo a la tomograꢂa computarizada ꢀene una tasa considerable  
toma de decisiones, el propio estudio destaca que, de- de falsos negaꢀvos, especialmente en tumores difusos  
bido a las limitaciones inherentes de las IA y la ausen- o mixtos, y uꢀliza criterios morfológicos (tamaño, for-  
cia de guías formales de uso, estas herramientas deben ma y realce), siendo el tamaño el más relevante.  
integrarse únicamente bajo supervisión experta y en el  
marco de contextos clínicos reales.  
La PET-TC aporta poco en tumores gástricos  
difusos debido a la baja avidez por FDG, diꢁcultando  
2
0
Es importante señalar que ChatGPT no es un aún más la estadiꢁcación ganglionar . Para metástasis  
sistema de IA diseñado especíꢁcamente para uso mé- a distancia, la TC conꢀnúa siendo el estudio de elec-  
dico, ni cuenta con cerꢀꢁcación como disposiꢀvo mé- ción, aunque su sensibilidad y especiꢁcidad para en-  
dico. Se trata de un modelo de lenguaje generalista, fermedad peritoneal son moderadas (66% y 77%). Los  
cuya aplicación en el ámbito sanitario debe realizarse hallazgos sugesꢀvos incluyen asciꢀs, nódulos o placas  
bajo supervisión profesional y no susꢀtuye el juicio peritoneales, engrosamiento sobre intesꢀno delgado o  
clínico especializado. Sin embargo, su amplia disponi- hiperrealce del peritoneo.  
bilidad, fácil acceso y uꢀlización, lo convierten en una  
En nuestra prácꢀca, la estadiꢁcación se realiza  
herramienta atracꢀva para explorar su potencial como con TC con contraste oral e intravenoso. No contamos  
asistente en la prácꢀca clínica real, especialmente en con ecoendoscopia y la PET-TC no se solicita de ruꢀ-  
contextos donde no se dispone de sistemas de IA mé- na en tumores gástricos, aunque algunos pacientes la  
dica especíꢁcos.  
aportan desde otras insꢀtuciones; en contraste, sí la  
La evaluación clínica inicial del cáncer gástrico uꢀlizamos con mayor frecuencia en cáncer de esófago  
o esofágico permite clasiꢁcar a los pacientes en cuatro y de la UEG.  
7
,8  
grupos .  
Respecto a la estadiꢁcación clínica del cáncer  
1
2
) tumores tempranos, resecables por endoscopia; de esófago, la ecoendoscopia parece ser precisa para  
) tumores pequeños no endoscópicamente reseca- el T, con una sensibilidad y especiꢁcidad del 85 y 87%  
bles, sin adenopaꢃas ni metástasis, candidatos a ci- para predecir el T1a. En cuanto a los ganglios linfáꢀcos,  
rugía primaria;  
la precisión es más variable, pero puede mejorarse rea-  
3
) enfermedad localmente avanzada, con invasión pro- lizando punción con aguja ꢁna de los ganglios linfáꢀ-  
2
1
funda y/o adenopaꢃas locorregionales, que se bene- cos .  
cia de tratamiento neoadyuvante o perioperatorio  
previo a la cirugía, y  
) enfermedad metastásica o con adenopaꢃas fuera ꢀene una baja sensibilidad en los estadios tempranos,  
del territorio regional (estadio IV), cuya conducta es y una baja sensibilidad y especiꢁcidad para evaluar  
ꢁ
La tomograꢂa computarizada es el estudio  
más uꢀlizado para evaluar el cáncer de esófago, pero  
4
paliaꢀva.  
Una correcta clasiꢁcación, junto con el estado de micrometástasis, y de falsos posiꢀvos en presencia  
general y las comorbilidades, orienta la selección del de infecciones o patologías inflamatorias. La PET-TC es  
tratamiento más adecuado. más sensible para idenꢀꢁcar los tumores primarios, la  
los ganglios linfáꢀcos, con falsos negaꢀvos en casos  
En nuestra serie, tanto el equipo médico como diseminación ganglionar y metástasis a distancia en  
el chatbot enfrentaron diꢁcultades para discriminar este ꢀpo de cáncer, que la tomograꢂa. Sin embargo, la  
entre T2-T3 y T3-T4a en algunos casos, dado que la in- baja resolución espacial genera que esta no sea ꢁable  
terpretación dependió exclusivamente de los informes para evaluar la extensión y profundidad de la lesión (T).  
de TC. Esto se debe a que, si bien la TC es el método Respecto del N (ganglios linfáꢀcos), puede tener pobre  
más uꢀlizando en la prácꢀca coꢀdiana para estadiꢁcar idenꢀꢁcación en los ganglios adyacentes al tumor, sin  
6
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
diferenciarlos de él. Además, las micrometástasis pue- tumoral y compromiso ganglionar, lo que podría haber  
den no captar el FDG. Mientras que, para el M (metás- limitado la precisión del cTNM en algunos casos. Sin  
tasis), la PET-TC ꢀene la mejor performance, con una embargo, la baja disponibilidad de esta tecnología en  
sensibilidad del 71% y una especiꢁcidad del 93%.  
la Argenꢀna, hace que los resultados sean pragmáꢀ-  
En nuestra serie, la estadiꢁcación se basó prin- cos y extrapolables a la mayoría de los centros locales.  
cipalmente en TC y PET-TC, dado que la ecoendoscopia Asimismo, al tratarse de un estudio de un único centro  
no estaba sistemáꢀcamente disponible al momento del de tercer nivel, los resultados no son generalizables sin  
diagnósꢀco. Aun así, el chatbot logró una concordan- validación externa, requisito indispensable para mode-  
2
2
cia adecuada con el comité de tumores, lo que sugiere los de IAl . Finalmente, el tamaño muestral reducido  
que estas herramientas pueden integrarse a la prácꢀca limita el poder estadísꢀco y la detección de patrones  
real incluso cuando no se cuenta con todos los métodos infrecuentes.  
diagnósꢀcos ideales.  
En conclusión, sobre la base de los resultados  
Este estudio presenta varias limitaciones. Su presentados, es posible aꢁrmar que la IA, aplicada me-  
diseño retrospecꢀvo implica heterogeneidad y posi- diante un chatbot entrenado con guías clínicas, demos-  
ble pérdida de datos, sumado a la variabilidad en los tró uꢀlidad para apoyar la estadiꢁcación y la planiꢁca-  
informes de estudios realizados en disꢀntos centros, lo ción terapéuꢀca inicial del cáncer esofagogástrico. Aun  
que diꢁculta la estandarización. Además, el análisis se con las limitaciones del estudio, se observó una concor-  
basó en informes escritos y no en imágenes originales, dancia elevada con las decisiones del equipo tratante.  
lo que impide una revaluación objeꢀva por parte del Estos resultados posicionan a los modelos conversacio-  
modelo conversacional.  
nales como herramientas prometedoras y accesibles,  
Ningún paciente contó con ecoendoscopia cuya integración debe conꢀnuar evaluándose en estu-  
(EUS), método de referencia para evaluar profundidad dios prospecꢀvos y mulꢀcéntricos.  
■
ENGLISH VERSION  
Introducꢀon  
In this context, the primary objecꢀve of  
our study was to assess the accuracy of an AI-driven  
Arꢀꢁcial Intelligence (AI) has emerged as a conversaꢀonal model in predicꢀng clinical staging  
transformaꢀve medical tool, parꢀcularly in oncology, (cTNM and overall stage) using diagnosꢀc data available  
demonstraꢀng its ability to improve diagnosꢀc at the iniꢀal oncology consultaꢀon for paꢀents with  
accuracy, opꢀmize treatment planning, and support gastroesophageal cancer. The secondary objecꢀve was  
1
personalized decision-making . Broadly speaking, AI to analyze the concordance between the treatment  
refers to systems capable of replicaꢀng human cogniꢀve recommendaꢀons suggested by the chatbot and those  
2
funcꢀons, such as learning and reasoning . In this provided by the tumor board or the treaꢀng team.  
ꢁ
eld, natural language models enable conversaꢀonal  
assistants—chatbots—to interpret and interact with  
complex clinical language.  
Material and methods  
We conducted a retrospecꢀve study using the  
Advances in deep learning have expanded  
the ability of these technologies to analyze diverse  
informaꢀon—including images, free-text data, and database of paꢀents who had their ꢁrst consultaꢀon  
structured clinical data—and link it to clinical pracꢀce for a cancer-related condiꢀon at the insꢀtuꢀon’s  
guidelines. In the ꢁeld of gastrointesꢀnal oncology, gastroesophageal surgery clinic between December  
notable successes have been made in the early 2023 and May 2025.  
detecꢀon of gastroesophageal cancer, the automated  
The study included paꢀents with complete  
idenꢀꢁcaꢀon of endoscopic lesions, and the predicꢀon preoperaꢀve workups, deꢁned as paꢀents diagnosed  
3
of treatment response . However, liꢄle evidence with esophageal, gastroesophageal juncꢀon (GEJ), or  
exists regarding the use of conversaꢀonal models to gastric tumors, an upper gastrointesꢀnal endoscopy  
develop assistants that can help with staging and iniꢀal report, a biopsy with pathology report, computed  
treatment planning.  
tomography (CT) scan, and positron emission  
In Argenꢀna, evidence regarding the use of AI tomography-computed tomography (PET-CT) in  
in medicine is sꢀll limited. Studies have been published paꢀents with esophageal cancer or tumors of the GEJ.  
on the use of AI to idenꢀfy criꢀcal view of safety during  
Paꢀents who did not undergo all the  
4
cholecystectomy procedures at Hospital Argerich , of preoperaꢀve tests menꢀoned or whose histology  
5
ChatGPTforcolorectalcancerscreeningrecommendaꢀons , was other than adenocarcinoma or squamous cell  
and on implemenꢀng an AI co-pilot integrated into carcinoma were excluded.  
electronic medical records at Hospital Italiano de Buenos  
Treatment decisions were made by  
a
6
Aires to improve access to relevant paꢀent informaꢀon. mulꢀdisciplinary team of esophageal cancer surgeons,  
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
7
clinical oncologists, anesthesiologists, general Staꢀsꢀcal analysis  
pracꢀꢀoners, and nutriꢀonists.  
The variables analyzed included:  
Development and use of the virtual assistant  
1) demographic data: age, sex, comorbidiꢀes  
and reasons for consultaꢀon; 2) tumor data: locaꢀon,  
For automated analysis, a virtual clinical histopathologic characterisꢀcs, endoscopy reports,  
assistant was developed using ChatGPT (OpenAI), CT-scan and PET-CT results, cTNM, clinical stage; 3)  
version GPT-4.5®, via a subscripꢀon to ChatGPT treatment: endoscopic treatment, surgery without  
Plus®. The development and conꢁguraꢀon of the neoadjuvant therapy, surgery with neoadjuvant  
assistant were carried out by surgeons trained in therapy or perioperaꢀve chemotherapy, palliaꢀve  
gastroesophageal surgery and with experꢀse in tumor treatment.  
staging. Although these surgeons lack formal training  
A descripꢀve analysis was conducted using the  
in programming or algorithm development, they have data collected. Categorical variables were expressed as  
received training in AI related to the healthcare ꢁeld. absolute frequencies and percentages and conꢀnuous  
Therefore, they were able to structure the use of the variables as mean and range.  
model in accordance with appropriate clinical and  
methodological criteria.  
Concordance between the clinical staging  
(cTNM and overall stage) proposed by the chatbot and  
The chatbot was speciꢁcally conꢁgured for that determined by the medical team was assessed  
this task through data ingesꢀon and contextual parsing via direct case-by-case comparison. Similarly, the  
of the updated clinical guidelines from the Naꢀonal concordance in the suggested therapeuꢀc approach  
7
,8  
Comprehensive Cancer Network (NCCN) and the was analyzed.  
European Society for Medical Oncology (ESMO)9 on  
,10  
Thestudywasdesignedbasedonthehypothesis  
that an AI conversaꢀonal model, trained using updated  
esophageal and gastric cancer.  
Themodelwastrainedtoprocesseachpaꢀent’s clinical guidelines, could correctly predict clinical  
clinical informaꢀon in natural language, simulaꢀng an staging in at least 80% of cases and suggest treatments  
iniꢀal oncology consultaꢀon. It should be noted that, in line with internaꢀonal recommendaꢀons. Given the  
for this purpose, the algorithm was not retrained exploratory nature of the study and the sample size,  
or modiꢁed. We used prompt engineering to deꢁne inferenꢀal staꢀsꢀcal tests were not performed.  
structured instrucꢀons based on the aforemenꢀoned  
internaꢀonal guidelines. Based on the provided data by dividing the number of cases where the chatbot’s  
age, sex, comorbidiꢀes, reason for consultaꢀon, response matched the medical team staging or  
The accuracy of the model was calculated  
(
endoscopy reports, pathology reports, and imaging therapeuꢀc strategy by the total number of evaluated  
results), the assistant was required to: a) determine cases. The following formula was used:  
the clinical stage of the tumor according to the 8th  
1
1
ediꢀon of the AJCC staging manual ; and b) suggest the Accuracy (%) = (Concordant cases / Total cases) x 100  
appropriate iniꢀal cancer treatment in accordance with  
internaꢀonal guidelines.  
Accuracy was calculated separately for cTNM,  
Prior to the ꢁnal analysis, pilot tests were clinical stage, and recommended treatment.  
conducted using historical cases excluded from Ethical consideraꢀons: The study was  
the ꢁnal cohort to standardize data entry formats, conducted following the recommendaꢀons of the  
reꢁne instrucꢀonal prompꢀng, and ensure response Declaraꢀon of Helsinki. As the study was observaꢀonal  
consistency. There were no substanꢀal changes to the and based on the analysis of retrospecꢀve anonymous  
instrucꢀons during the analysis of the cases included in clinical data, an informed consent was not required  
the study.  
Each case study was processed individually,  
uploading the clinical data to the plaꢅorm and recording Results  
the AI-generated responses in a structured table. The  
recommendaꢀons made by the assistant were then  
Of the 53 paꢀents who sought medical care for  
compared with the decisions made by the tumor board esophageal, gastric, or GEJ tumors during the speciꢁed  
or the treaꢀng team in rouꢀne clinical pracꢀce. period, 19 were excluded due to an absence of relevant  
In cases where discrepancies in staging or data in their medical records, resulꢀng in 34 cases  
treatment were idenꢀꢁed, targeted interacꢀons with that met the inclusion criteria. Mean age was 67 years  
the chatbot were performed to idenꢀfy their cause. We (range 51-80) and 51% (n = 18) were men. The reason  
assessed whether these arose from a valid alternaꢀve for consultaꢀon was documented in 29 paꢀents and is  
interpretaꢀon, an omission of relevant data, or a presented in Table 1, along with the other demographic  
limitaꢀon in the model’s contextual understanding of data and tumor locaꢀon.  
the test results.  
Three paꢀents were in stage I, 7 in stage II, 17 in  
8
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
■
TABLE 1  
stage III, and 7 in stage IV. The rest of the characterisꢀcs  
are described in Table 2.  
The accuracy between the cTNM staging  
determined by the medical team and that of the chatbot  
was 94%. Concordance of the treatment proposed was  
85%.  
Discordant cases are presented in Table 3.  
When the cohort was divided into three  
sequenꢀal groups (n = 12, 11, and 11 paꢀents,  
respecꢀvely), the accuracy of the chatbot to predict  
cTNM and staging improved to 83% in group 1, 100% in  
group 2, and 100% in group 3.  
Demographic data and tumor characterisꢀcs  
Variables n (%)  
Comorbidiꢀes:  
Diabetes mellitus  
HTN  
COPD  
Current or former smoker  
Cardiovascular disease  
Breast cancer  
Other cancers  
11 (32%)  
19 (56%)  
6 (18%)  
9 (27%)  
9 (27%)  
6 (18%)  
4 (11%)  
Reason for consultaꢀon  
Gastrointesꢀnal bleeding  
Dysphagia  
Dyspepsia or epigastric pain  
Pyloric syndrome or vomiꢀng  
Weight loss  
6 (18%)  
16 (47%)  
14 (41%)  
9 (26%)  
Discussion  
The present study evaluated the usefulness  
of an AI conversaꢀonal model, trained using up-to-  
date clinical guidelines, to assist with staging and  
iniꢀal treatment planning in paꢀents with esophageal,  
gastroesophageal juncꢀon, and gastric cancer. The  
results show a high level of concordance (94%) between  
the clinical staging proposed by the chatbot and that  
determined by the treaꢀng medical team, both in terms  
of cTNM and overall stage. Although concordance in  
therapeuꢀc management was somewhat lower (85%),  
the differences were mostly explained by contextual  
clinical consideraꢀons that were not always available to  
the model, such as social constraints.  
Tumor locaꢀon  
Esophagus  
Stomach  
10 (29%)  
13 (38%)  
11 (32%)  
2 (18%)  
6 (54%)  
Gastroesophageal juncꢀon  
-
-
-
Siewert I  
Siewert II  
Siewert III  
3
(27%)  
Anatomical pathology  
Signet ring cells  
Esophagus  
1 (10%)  
3 (27%)  
4 (31%)  
5 (50%)  
Chatbots are programs that process  
Gastroesophageal juncꢀon  
Stomach  
and simulate human conversaꢀons using natural  
1
2
language . The use of chatbots in healthcare increased  
during the COVID-19 pandemic, although it remains  
underuꢀlized and is expected to increase over the  
next decade. In the ꢁeld of gastric cancer, various  
arꢀꢁcial intelligence models have demonstrated  
promising accuracy in idenꢀfying high-risk individuals  
and predicꢀng tumor aggressiveness, recurrence, and  
survival1 . Deep learning has demonstrated the ability  
to analyze endoscopic images, genomic data, and  
histopathological data, thereby improving diagnosis  
and prognosis. Integraꢀng mulꢀmodal clinical, geneꢀc,  
and imaging data provides a comprehensive disease  
proꢁle, facilitaꢀng the implementaꢀon of personalized  
treatment strategies.  
Squamous cell carcinoma*  
*
Of total esophageal cancers.  
COPD: chronic obstrucꢀve pulmonary disease: HTN: hypertension.  
■
TABLE 2  
Comparison between clinical staging determined by the medical  
team and the chatbot  
3,14  
cTNM**  
Medical team  
Chatbot  
cT  
cT1b  
1(3%)  
1(3%)  
3(9%)  
21(62%)  
4(12%)  
4(12%)  
1 (3%)  
1 (3%)  
3 (9%)  
21 (62%)  
4 (12%)  
4 (12%)  
cT1b-2  
cT2-3  
cT3  
cT3-4  
cT4  
A recent study from China15 compared the  
performance of ChatGPT-4o and Gemini Advanced® in  
decision-making for advanced gastric cancer. The study  
uꢀlized three complementary approaches: key clinical  
quesꢀons, paꢀents evaluated in mulꢀdisciplinary  
team meeꢀngs, and rare cases published in PubMed.  
ChatGPT-4o demonstrated superior performance in all  
scenarios, providing more accurate and comprehensive  
recommendaꢀons, beꢄer aligning with clinical  
guidelines, and demonstraꢀng a greater ability to adapt  
to complex paꢀent proꢁles. The hallucinaꢀon rate was  
also lower in ChatGPT-4o (5.25%) compared to Gemini  
(8.42%),withoutimplyingimmediateclinicalrisks.While  
cN  
cN0-1  
cN+  
cM  
cM1  
Stage  
I
II  
III  
IV  
1(3%)  
20(59%)  
1 (3%)  
21 (62%)  
7(21%)  
6(18 %)  
3(9%)  
7(20%)  
17(50%)  
7(20%)  
3 (9%)  
6 (18%)  
19 (56%)  
6 (18%)  
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
9
■
TABLE 3  
Discordant cases between the medical team and the chatbot  
Discrepancy  
category  
Case  
Reason  
Medical team  
chatbot  
cTNM and  
Considers regional lymph  
1
1
Lateral aorꢀc lymph nodes on imaging studies  
Considers M1, stage IV  
Palliaꢀve treatment  
clinical stage  
nodes, M0, stage III  
Neoadjuvant therapy and  
Treatment  
Discrepancy of clinical stage (IV vs. III)  
surgery  
GEJ tumor, without uptake in lymph nodes on PET-CT. The  
cTNM and  
Clinical stage: and chatbot  
cT3N1M0 (EIII)  
2
3
4
chatbot considers it to be N+ based on the tumor’s length (5.8 Clinical stage: cT3N0M0 (EII)  
clinical stage  
cm) and SUV of 13.1  
Female, 63 years old, HTN, and kidney transplant; squamous  
Chemotherapy Deꢁniꢀve  
radiaꢀon therapy  
Treatment  
Treatment  
CROSS and esophagectomy  
cell carcinoma of the middle third of the esophagus  
Female, 80 years old, admiꢄed to the emergency department  
Prehabilitaꢀon for 3 weeks  
with gastrointesꢀnal bleeding and dyspnea. Gastric  
and gastrectomy  
Palliaꢀve treatment  
adenocarcinoma cT3N+M0  
Admission for prehabilitaꢀon  
Male, 65 years old, diffuse gastric cancer (liniꢀs plasꢀca).  
for 3 weeks (parenteral  
5
6
Treatment  
Treatment  
Intolerance to oral feeding. Absence of social security  
FLOT and gastrectomy  
and enteral nutriꢀon) and  
coverage.  
gastrectomy  
Female, 51 years old, adenocarcinoma of the GEJ cT3N+M0  
FLOT and gastrectomy  
CROSS and esophagectomy  
FLOT and distal gastrectomy  
Discrepancy wirh Siewert  
Type of  
surgery  
This case is not considered a formal discrepancy (the treatment plan is correct), but it is menꢀoned because the type of gastrectomy differs, which is  
7
*
Gastric body adenocarcinoma  
FLOT and total gastrectomy  
*
important to review to ensure adequate oncological resecꢀon.  
GEJ: gastroesophageal juncꢀon; PET: positron emission tomography; SUV: standardized uptake value; HTM: hypertension; CROSS: chemoradiotherapy for  
esophageal cancer followed by surgery; FLOT: perioperaꢀve chemotherapy with 5-fluorouracil, leucovorin, oxaliplaꢀn, and docetaxel.  
theseꢁndingsunderscorethepotenꢀalofconversaꢀonal  
An accurate staging, along with the paꢀent’s  
models to support decision-making, the study also performance status and comorbidiꢀes, guides the  
highlights that, due to the inherent limitaꢀons of AI and selecꢀon of the most appropriate treatment.  
the lack of formal guidelines for their use, these tools  
In our series, both the medical team and the  
should be implemented only under expert supervision chatbot encountered diꢇculꢀes in disꢀnguishing  
and within the context of real-world clinical seꢆngs. between T2-T3 and T3-T4a in some cases, since the  
It is noteworthy that ChatGPT is not an AI interpretaꢀon relied solely on CT reports. Although  
system designed speciꢁcally for medical use, nor is it CT is the most commonly used method for staging  
1
6
cerꢀꢁed as a medical device. It is a general-purpose gastric cancer , T2 and T3/4 tumors are idenꢀꢁed by  
language model; its use in the healthcare seꢆng must transmural features. Consequently, differenꢀaꢀon can  
be carried out under professional supervision and does be challenging, especially between T3 and T4a tumors,  
not replace specialized clinical judgment. However, its as the serosa is not directly visualized and the amount of  
high availability, accessibility, and ease of use make perigastric fat varies among paꢀents. Certain ꢁndings,  
it an aꢄracꢀve tool for exploring its potenꢀal in real- such as an irregular outer layer of the gastric wall,  
world clinical pracꢀce, parꢀcularly where specialized haziness of the perigastric fat and the hyperaꢄenuaꢀng  
medical AI systems are unavailable.  
serosa sign suggest T4a, whereas clear invasion of  
7,18  
.
Iniꢀal clinical evaluaꢀon of gastric or adjacent organs suggests T4b1  
esophageal cancer allows for paꢀent classiꢁcaꢀon into  
Assessment of lymph node involvement is  
7
,8  
four groups :  
key to determining the need for neoadjuvant therapy,  
) early-stage tumors, amenable to endoscopic although there is no gold standard for gastric and  
resecꢀon; EGJ cancer. The accuracy of endoscopic ultrasound is  
) localized tumors not suitable for endoscopic variable (30–90%), with low sensiꢀvity for staꢀons 7–12  
resecꢀon, without lymph node involvement or and signiꢁcant operator dependence, which limits its  
1
2
19  
availability . Computed tomography has a signiꢁcant  
metastasis, eligible for primary surgery;  
3
4
)
locally advanced disease, characterized by false-negaꢀve rate, parꢀcularly in diffuse or mixed-type  
deep invasion and/or locoregional lymph node tumors. It relies on morphological criteria (size, shape,  
involvement, beneꢁꢀng from neoadjuvant or and enhancement), with size remaining the primary  
perioperaꢀve treatment prior to surgery; and  
) metastaꢀc disease or lymph node involvement  
extending beyond the regional territory (stage IV), gastric tumors due to their low FDG uptake, thereby  
diagnosꢀc factor.  
PET-CT provides liꢄle informaꢀon in diffuse  
20  
further complicaꢀng lymph node staging . For  
where management is primarily palliaꢀve.  
1
0
Coturel AE y cols. Inteligencia arꢂꢃcial en la estadiꢃcación y toma de decisiones en cáncer esófago gástrico Rev Argent Cir. 2026;118(2):e-1963  
detecꢀng distant metastases, CT remains the standard  
In our series, staging was primarily based on  
imaging modality, although its sensiꢀvity and speciꢁcity CT and PET-CT scans, since endoscopic ultrasound  
for peritoneal involvement are moderate (66% and 77%, was not rouꢀnely available at the ꢀme of diagnosis.  
respecꢀvely). Findings suggesꢀve of peritoneal seeding Even so, the chatbot achieved adequate concordance  
include ascites, peritoneal nodules or plaques, bowel with the tumor board, suggesꢀng that these tools can  
wall thickening, or peritoneal hyperenhancement.  
In our pracꢀce, we used oral and intravenous not all the ideal diagnosꢀc methods are available.  
contrast-enhanced CT scans for staging. Endoscopic Thisstudyhassomelimitaꢀons.Itsretrospecꢀve  
be incorporated into real-world pracꢀce even when  
ultrasound is not available in our seꢆng, and we design suggests heterogeneity and the possibility  
do not rouꢀnely request PET-CT scans for gastric of data loss, along with variability in the reporꢀng of  
tumors, although some paꢀents bring results from studies conducted at different centers, which hinders  
other insꢀtuꢀons. We do request PET-CT scans more standardizaꢀon. Furthermore, the analysis was based  
frequently for esophageal and GEJ cancers.  
on wriꢄen reports rather than original images, which  
Endoscopic ultrasound demonstrates high prevents the conversaꢀonal model from conducꢀng an  
accuracy for staging esophageal cancer T-status, with a objecꢀve reassessment.  
sensiꢀvity and speciꢁcity of 85% and 87%, respecꢀvely,  
No paꢀents underwent endoscopic ultrasound  
for idenꢀfying T1a lesions. The accuracy of endoscopic (EUS), the gold standard for assessing tumor depth and  
ultrasound for detecꢀng lymph node involvement is lymph node involvement, which may have limited the  
more variable; however, it can be signiꢁcantly enhanced accuracy of the cTNM staging in some cases. However,  
2
1
by incorporaꢀng ꢁne-needle aspiraꢀon .  
the limited availability of this technology in Argenꢀna  
While CT is the most widely used imaging means that the results are pragmaꢀc and can be  
modality for esophageal cancer, it lacks sensiꢀvity for extrapolated to most local centers. Furthermore, since  
early-stage disease and demonstrates poor diagnosꢀc this is a single-center terꢀary-level study, the results  
performance for lymph node assessment, with high cannot be generalized without external validaꢀon,  
2
2
false-negaꢀve rates in the presence of micrometastases which is an essenꢀal requirement for AI models .  
and false-posiꢀve rates due to concurrent infecꢀon or Finally, the small sample size limits the staꢀsꢀcal power  
inflammaꢀon. PET-CT is more sensiꢀve for idenꢀfying and the ability to detect rare paꢄerns.  
primary tumors, lymph node involvement, and distant  
In conclusion, based on the results presented,  
metastases in this type of cancer. However, the low it can be stated that AI, implemented through a chatbot  
spaꢀal resoluꢀon makes it unreliable for assessing the trained using clinical guidelines, proved to be useful  
extent and depth of the lesion (T). Regarding N-staging in supporꢀng staging and iniꢀal treatment planning  
(
lymph nodes), PET-CT may face challenges in detecꢀng for gastroesophageal cancer. Despite the menꢀoned  
lymph nodes in close proximity to the primary tumor, limitaꢀons, the study demonstrated high concordance  
as it oꢈen fails to disꢀnguish them from the primary with the treatment decisions made by the treaꢀng  
lesion. In addiꢀon, micrometastases may not uptake medical team. These ꢁndings posiꢀon conversaꢀonal  
FDG. PET-CT scans perform best for M-staging models as promising and accessible tools, and their  
(
metastasis), with a sensiꢀvity of 71% and a speciꢁcity integraꢀon should be further evaluated in prospecꢀve,  
of 93%.  
mulꢀcenter studies.  
Referencias bibliográꢁcas /References  
1
.
Marra A, Morganꢀ S, Pareja F, Campanella G, Bibeau F, FuchsT,  
et al. Arꢀꢁcial intelligence entering the pathology arena in on-  
cology: current applicaꢀons and future perspecꢀves. Ann Oncol.  
J
Gastroenterol. 2025;31(24):108021. doi:10.3748/wjg.v31.  
i24.108021.  
4. Petracchi EJ, Olivieri SE, Varela J, Canullán CM, Zandalazini H,  
Ocampo C, et al. Use of arꢀꢁcial intelligence in the detecꢀon  
of the criꢀcal view of safety during laparoscopic cholecystec-  
tomy. J Gastrointest Surg. 2024;28(6):877-9. doi:10.1016/j.gas-  
sur.2024.03.018.  
5. Pereyra L, Schloꢄmann F, Steinberg L, Lasa J. Colorectal Cancer  
Prevenꢀon: Is Chat Generaꢀve Pretrained Transformer (Chat GPT)  
ready to Assist Physicians in Determining Appropriate Scree-  
ning and Surveillance Recommendaꢀons?.J Clin Gastroenterol.  
2024;58(10):1022-7. doi:10.1097/MCG.0000000000001979.  
2
025;36(7):712-25. doi:10.1016/j.annonc.2025.03.006.  
2
.
Chong PL, Vaigeshwari V, Mohammed Reyasudin BK, Noor Hida-  
yah BRA, Tatchanaamoorꢀ P, Yeow JA, et al. Integraꢀng arꢀꢁcial  
intelligence in healthcare: applicaꢀons, challenges, and future  
direcꢀons. Future Sci OA. 2025;11(1):2527505. doi:10.1080/205  
6
5623.2025.2527505.  
3
.
Chen ZL, Wang C, Wang F. Revoluꢀonizing gastroenterology and  
hepatology with arꢀꢁcial intelligence: From precision diagnosis  
to equitable healthcare through interdisciplinary pracꢀce. World