Inteligencia artificial que recorre cada historia clínica para anticipar enfermedades: qué avances hubo y qué falta probar

Un historial clínico es, en la mayoría de los casos, un archivo disperso: un análisis de sangre por acá, una receta por allá, un estudio de imagen archivado en otro sistema, una nota médica escrita a mano que quedó en un consultorio. Cada fragmento se lee por separado y rara vez se reconstruye como una historia completa. La nueva generación de modelos de inteligencia artificial viene a cambiar esa lógica: en lugar de trabajar con un dato aislado, propone convertir todo el recorrido médico de una persona en una secuencia ordenada que el sistema pueda procesar y, a partir de ahí, anticipar enfermedades con años de antelación.

La tokenización del paciente, la clave del método

El procedimiento se conoce como tokenización del paciente y consiste, en pocas palabras, en transformar cada evento del historial —un diagnóstico, un resultado de laboratorio, una imagen, una nota clínica— en una unidad básica de información ubicada en una línea de tiempo. Al juntar esas piezas, el modelo reconstruye la trayectoria de salud de cada individuo y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, uniendo lo que hasta ahora aparecía fragmentado.

• 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 muy superior, 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 médica acumulada.
• ALADYNOUILLI: incorporó información genética heredada y se 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.

Lo que estos sistemas comparten y lo que aún no pudieron probar

Estos cinco desarrollos no son directamente comparables entre sí, porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que tampoco coinciden. Comparten, sin embargo, una limitación central que los propios especialistas reconocen: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones termine mejorando los resultados concretos de los pacientes, que es, en definitiva, la pregunta que importa cuando una herramienta de este tipo sale del laboratorio y pretende usarse en un hospital.

Las aplicaciones posibles se dividen en dos planos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida aparece la ventana de mayor riesgo para una determinada enfermedad y sugerir controles o estudios en ese punto, en lugar de hacerlos a intervalos fijos y generales para toda la población. A nivel poblacional, la promesa es que los sistemas de salud puedan anticipar dónde hará falta reforzar la atención, planificar recursos y diseñar campañas de prevención con información más precisa que la que aportan los criterios vigentes.

Mientras esa evidencia llega, lo que ya quedó claro en las publicaciones recientes es que la inteligencia artificial aprendió a leer la historia clínica como una novela y no como un catálogo de datos sueltos, lo que abre un horizonte enorme, pero todavía pendiente de esa prueba final que falta: que predecir, efectivamente, sirva para curar.