Cinco modelos de inteligencia artificial que reconstruyen la historia clínica completa para anticipar enfermedades con años de anticipación

Una nueva generación de sistemas de inteligencia artificial busca leer la historia clínica completa de cada persona, desde análisis de sangre hasta recetas, diagnósticos e imágenes, como una sola secuencia ordenada en el tiempo. El objetivo es estimar con años de anticipación el riesgo de desarrollar enfermedades. Cinco desarrollos recientes, entrenados con datos de entre 683.000 y más de 100 millones de pacientes, mostraron capacidad predictiva, aunque los especialistas advirtieron que ninguno demostró todavía que actuar sobre esas predicciones mejore los resultados clínicos.

El método: tokenizar la vida clínica de un paciente

El proceso se denomina tokenización del paciente. Consiste en transformar cada evento del historial médico, ya sea un diagnóstico, un resultado de laboratorio, una nota clínica o una imagen, en una unidad básica de información. Al reunir esas piezas en orden cronológico, el modelo reconstruye la trayectoria de salud de la persona y puede calcular cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.

• Delphi-2M: organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de 1.000 enfermedades. Fue entrenado con casi dos millones de personas del Biobanco del Reino Unido y registros daneses.
• Curiosity: llevó el enfoque a una escala mayor al procesar más de 100.000 millones de eventos médicos correspondientes a más de 100 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. Identificó patrones de enfermedad que varían con la edad.
• AURORA: integró siete tipos de datos distintos en más de 425.000 individuos para investigar envejecimiento, salud metabólica y respuesta a tratamientos.

Los cinco modelos no son directamente comparables: utilizan bases de datos diferentes, criterios de evaluación distintos y horizontes temporales que no coinciden. Sin embargo, comparten una limitación central señalada por los investigadores: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones impacte de forma positiva en los resultados concretos de los pacientes.

En el plano individual, estos sistemas podrían indicar el momento más apropiado para iniciar estudios preventivos o ajustar tratamientos. En el plano poblacional, permitirían detectar subgrupos con trayectorias clínicas similares para diseñar estrategias de salud pública más precisas. La promesa es concreta: anticipar la enfermedad antes de que aparezca, en lugar de reaccionar cuando ya se manifestó.

El campo avanza con pasos firmes, pero la distancia entre predecir un riesgo y demostrar que intervenir mejora la salud sigue abierta. Hasta que esa validación llegue, la cautela de los especialistas se mantiene: la herramienta existe, su utilidad clínica todavía está en desarrollo.