La nueva frontera de la inteligencia artificial médica: predecir enfermedades a partir de toda la historia clínica
Cinco modelos entrenados con millones de historias clínicas buscan anticipar riesgos con años de antelación, aunque todavía ninguno comprobó que actuar sobre sus predicciones mejore la salud de los pacientes.
En los pasillos de los congresos de medicina digital, donde se mezclan especialistas en estadística con ingenieros de datos, empieza a circular una idea que cambia de raíz la manera de entender la historia clínica. Ya no se trata de mirar un análisis de sangre suelto, una radiografía aislada o un diagnóstico puntual, sino de convertir todo el recorrido médico de una persona, año tras año, en una secuencia que un modelo de inteligencia artificial pueda leer e interpretar.
El procedimiento tiene un nombre técnico: tokenización del paciente. Consiste en transformar cada evento del historial, un diagnóstico, un resultado de laboratorio, una imagen, una nota médica, en una unidad básica de información ordenada en el tiempo. Cuando esas unidades se encadenan, el sistema reconstruye la trayectoria de salud completa y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.
Cinco modelos, una misma ambición
- Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, con datos de casi dos millones de personas provenientes del Biobanco del Reino Unido y de registros daneses.
- Curiosity: llevó ese enfoque a una escala mucho mayor, al procesar más de cien mil millones de eventos médicos de más de cien millones de pacientes.
- Apollo: sumó texto clínico e imágenes a los registros estructurados y trabajó con tres décadas de atención acumulada.
- ALADYNOUILLI: incorporó información genética heredada y entrenó con más de 683.000 personas de tres biobancos, identificando patrones de enfermedad que cambian con la edad.
- AURORA: integró siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.
La advertencia de los especialistas
Estos cinco desarrollos no son directamente comparables, porque utilizan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que varían entre sí. Comparten, sin embargo, una limitación central que los propios investigadores no dejan de señalar: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Es una distancia enorme entre calcular un riesgo y demostrar que intervenir a tiempo a partir de ese cálculo cambia efectivamente la historia de la enfermedad.
Las aplicaciones que se proyectan son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona tiene más probabilidades de desarrollar determinada patología y permitir así controles más dirigidos. A nivel poblacional, la promesa es reorganizar recursos sanitarios completos, anticipando dónde hará falta más atención y dónde se concentran los riesgos.
El dato económico tampoco es menor. Entrenar un modelo con cientos de millones de historias clínicas requiere inversiones que sólo algunos gigantes tecnológicos y consorcios académicos pueden sostener. Sigamos la plata: detrás de cada uno de estos desarrollos hay financiamiento público combinado con capitales privados que están definiendo, en la práctica, quién tendrá acceso a esa lectura anticipada del cuerpo humano.
Por ahora, la promesa está en los papers y la cautela, en las conclusiones. Habrá que esperar ensayos clínicos diseñados a medida para saber si estas máquinas, que ya saben leer toda la historia de un paciente, también sirven para cambiar su destino. La responsabilidad de demostrarlo recae, sobre todo, en los equipos que los desarrollan.
