Inteligencia artificial que mapea la historia clínica completa para anticipar enfermedades antes de que aparezcan

A Marisa le detectaron diabetes hace tres años, después de décadas de análisis anuales que nunca habían encendido una alerta firme. Si alguien hubiera cruzado en un mismo sistema todos esos estudios, las recetas que tomó, las imágenes que le sacaron y las notas de los médicos que la atendieron, quizá la advertencia habría llegado antes. Esa es, en criollo, la promesa de una nueva camada de modelos de inteligencia artificial que están aprendiendo a leer la historia clínica entera como si fuera una novela, capítulo por capítulo, para anticipar qué enfermedad puede aparecer en los próximos años.

El dato que mueve a los investigadores es concreto: cinco desarrollos recientes, entrenados con datos de entre 683.000 y más de 100 millones de pacientes, mostraron capacidad para estimar riesgos sanitarios con años de antelación. Lo que todavía nadie pudo probar, aclaran los propios especialistas, es que tomar decisiones médicas a partir de esas predicciones traduzca esas sospechas en mejores resultados clínicos para la gente.

Cómo funciona la tokenización del paciente

Un historial clínico es, en la práctica, un archivo desordenado: análisis de sangre guardados en un sistema, recetas en otro, diagnósticos tipeados a mano, placas e informes de imágenes en un tercero. La nueva generación de inteligencia artificial apunta a cambiar esa lógica. En lugar de mirar un dato aislado, toma cada evento médico, lo convierta en una unidad de información ordenada en el tiempo y reconstruye la trayectoria de salud como una secuencia que el modelo puede procesar.

Ese proceso se conoce como tokenización del paciente: cada diagnóstico, cada resultado de laboratorio, cada imagen o nota clínica se transforma en una pieza comparable con las demás. Al encadenarlas, el sistema aprende cómo evoluciona el riesgo de más de mil enfermedades a lo largo de los años y puede señalar, por ejemplo, que la combinación de ciertos valores de colesterol, antecedentes familiares y medicaciones previas aumenta la probabilidad de un evento cardiovascular en los próximos cinco o diez años.

Los cinco modelos que marcan el pulso de la investigación

• 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 del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó el enfoque a una escala enorme y procesó 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.

Estos cinco sistemas no son directamente comparables, porque usan bases de datos, criterios de evaluación y horizontes temporales distintos. Comparten, sin embargo, una limitación central que los propios investigadores reconocen: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Saber que alguien tiene alto riesgo de una enfermedad es una cosa; probar que intervenir antes cambia el pronóstico, es otra muy distinta, y ese paso todavía está pendiente.

Para qué podría usarse y qué piden los especialistas

Las aplicaciones posibles se mueven en dos planos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene intensificar controles, qué estudios pedir antes que después y qué medicaciones ajustar según el perfil de cada persona. A nivel poblacional, podrían ayudar a planificar recursos sanitarios, prever picos de demanda y orientar campañas de prevención hacia los grupos con mayor riesgo acumulado.

Los especialistas insisten, aun así, en que la predicción sin acción comprobada no alcanza. Antes de que estas herramientas lleguen a la consulta, piden ensayos clínicos que demuestren que usarlas mejora la vida de los pacientes, marcos regulatorios que aclaren quién se hace cargo de un error del modelo y políticas de privacidad que expliquen dónde quedan esos datos sensibles.

Para quien quiera seguir de cerca estos desarrollos, el punto de partida más accesible es la base de publicaciones del Biobanco del Reino Unido, donde pueden consultarse los detalles de Delphi-2M, y los repositorios abiertos de las universidades que lideran los proyectos Apollo y ALADYNOUILLI.