Cuando la historia clínica entera se convierte en una predicción: la nueva frontera de la inteligencia artificial en medicina

El monitor del consultorio parpadea con un resultado de laboratorio, la receta quedó archivada en otra carpeta, la radiografía duerme en un sistema aparte y la nota del especialista de hace tres años se perdió en un pdf. La historia clínica de cualquier persona es, en la mayoría de los hospitales y sanatorios, un rompecabezas cuyas piezas rara vez se miran juntas. Ahora, una nueva generación de sistemas de inteligencia artificial se propone leerla de un tirón, como si fuera una novela, para anticipar qué enfermedades podrían aparecer en los próximos años.

La técnica se llama tokenización del paciente. En lugar de tomar un dato aislado, como puede ser un valor de colesterol o una tomografía, estos modelos convierten cada evento médico en una unidad básica de información ordenada en el tiempo: un diagnóstico, un análisis, una imagen, una nota del profesional. Así, reconstruyen la trayectoria de salud de una persona y la usan para estimar cómo evoluciona el riesgo de más de mil enfermedades a lo largo de los años. Lo que antes quedaba disperso empieza a tener, para el algoritmo, una secuencia con principio, nudo y, eventualmente, un final que se puede anticipar.

Cinco modelos, una misma promesa

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, entrenado con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó ese enfoque a una escala enorme, 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.

Estos cinco desarrollos no son directamente comparables, porque usan bases de datos, criterios de evaluación y horizontes temporales distintos. Comparten, sin embargo, una limitación central que los especialistas no dejan de señalar: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Saber que alguien tiene alta probabilidad de desarrollar cierta dolencia no alcanza si después no se prueba que actuar sobre esa advertencia cambia la historia.

Las posibles aplicaciones se dividen en dos planos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona debería hacerse controles específicos, qué señales conviene vigilar con más atención y cuándo una suba aparentemente menor en un análisis merece un estudio más profundo. A nivel poblacional, la misma lógica permitiría a los sistemas de salud planificar recursos, identificar grupos de riesgo antes de que lleguen a la guardia y diseñar campañas de prevención con datos más afinados.

“Estos modelos todavía no probaron que sus predicciones, traducidas en decisiones clínicas, mejoren la salud de la gente. Anticipar es una cosa; demostrar que la anticipación sirve es otra muy distinta.”especialistas consultados por publicaciones científicas