Inteligencia artificial que predice enfermedades a partir de toda tu historia clínica: lo que hay que saber antes de ilusionarse

Levanté el termómetro del escritorio y lo dejé caer entre los papeles. Era uno de esos días en la redacción en los que uno se pregunta qué otra cosa puede inventar la tecnología para cambiarnos la vida. Esa misma mañana me había cruzado con la nota que ahora tengo en la pantalla: un puñado de sistemas de inteligencia artificial entrenados con cientos de millones de historias clínicas que prometen, nada menos, que anticipar enfermedades con años de antelación. Me serví un café y me puse a leer con calma, porque la promesa es enorme y el ruido que genera también.

La idea de base es sencilla de explicar y, al mismo tiempo, revolucionaria para la medicina. Durante décadas, el historial clínico de una persona, esos folders a veces infinitos con análisis de sangre, recetas, radiografías, informes y diagnósticos, se leyó por tramos, casi siempre de manera aislada. Un profesional mira un estudio, otro evalúa una imagen, un tercero revisa una glucemia. Rara vez alguien tiene la posibilidad, o el tiempo, de mirar esa historia completa como un todo continuo. Lo que proponen estos nuevos modelos es exactamente lo contrario: tomar todo ese recorrido médico y convertirlo en una secuencia ordenada en el tiempo que el sistema pueda procesar y usar para hacer predicciones sobre lo que probablemente viene.

Cómo se traduce una vida en datos

El proceso técnico se llama tokenización del paciente. Suena frío, pero la lógica es bastante intuitiva: cada evento del historial, un diagnóstico, un resultado de laboratorio, una placa, una nota del médico, se transforma en una unidad básica de información que queda ubicada en una línea de tiempo. Cuando el modelo junta todas esas piezas reconstruye, a su manera, la trayectoria de salud de la persona y puede ir estimando cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. Es como si la inteligencia artificial aprendiera a leer una biografía médica completa en vez de quedarse con un capítulo suelto.

Los cinco desarrollos que marcan el pulso

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

Cuando uno mira la lista en conjunto se da cuenta de la escala del fenómeno: estamos hablando de modelos que aprendieron de poblaciones enormes, varias veces más grandes que cualquier estudio clínico clásico, y que mezclan fuentes muy diversas, desde datos genéticos hasta imágenes. La promesa es tentadora. Sin embargo, los propios especialistas aclaran algo que conviene no perder de vista: estos cinco sistemas no son directamente comparables entre sí, porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que no coinciden. Y, sobre todo, comparten una limitación central que todavía nadie pudo resolver: ninguno demostró, hasta ahora, que tomar decisiones médicas a partir de sus predicciones mejore de manera concreta los resultados de los pacientes. Anticipar un riesgo es una cosa; demostrar que actuar sobre esa anticipación cambia la historia clínica de una persona es otra muy distinta.

“Anticipar un riesgo es una cosa; demostrar que actuar sobre esa anticipación cambia de verdad la historia clínica de una persona es otra muy distinta, y eso todavía no se probó.”Camila Ledesma Tapia

Las aplicaciones que se imaginan a futuro son de dos tipos y vale la pena tenerlas presentes. A nivel individual, estos sistemas podrían señalar en qué momento de la vida de una persona aparece una ventana de mayor riesgo para una determinada enfermedad y abrir la puerta a controles más finos, tratamientos preventivos o cambios de hábito a tiempo. A nivel poblacional, podrían ayudar a los sistemas de salud a planificar recursos, identificar grupos vulnerables y diseñar campañas de prevención con un nivel de detalle que hoy no existe. Pero, otra vez, todo eso está en el terreno de la hipótesis. La pregunta incómoda sigue siendo la misma: ¿sirve, en la práctica médica real, saber con años de anticipación que alguien tiene alta probabilidad de enfermarse, si todavía no se comprobó que esa información cambie el desenlace?

Cierro la nota y vuelvo a mirar el termómetro que dejé tirado entre los papeles. Pienso en mi propia historia clínica, repartida entre distintos centros de salud, con análisis viejos guardados en sobres, placas en CD y recetas que ya ni me acuerdo de haber tomado. Si algún día un sistema así pudiera mirarla completa y decirme con años de antelación a qué prestarle atención, no voy a mentir: me gustaría tenerla cerca. Pero mientras no exista evidencia sólida de que esa predicción se traduce en mejores tratamientos y en vidas más largas, prefiero tomarme el café con los pies sobre la tierra. La promesa es enorme, sí. La prudencia, por ahora, también.