Modelos de inteligencia artificial que reconstruyen la historia clínica completa para anticipar el riesgo de enfermedades a futuro

Un historial clínico reúne, a lo largo de los años, análisis de sangre, recetas, diagnósticos, imágenes y notas médicas que, en la práctica cotidiana, suelen leerse de manera fragmentada y rara vez como un todo integrado. Una nueva generación de modelos de inteligencia artificial trabaja precisamente en ese punto: en lugar de evaluar un dato aislado, busca convertir el recorrido médico completo de una persona en una secuencia temporal que el sistema pueda procesar y utilizar para estimar cómo evoluciona el riesgo de distintas enfermedades con el paso del tiempo.

El procedimiento que hace posible esa lectura integral se denomina tokenización del paciente, según la descripción que repiten los trabajos publicados en los últimos meses en revistas especializadas y repositorios de preimpresión. Consiste en transformar cada evento del historial clínico, ya sea un diagnóstico, un resultado de laboratorio, una imagen o una nota profesional, en una unidad básica de información ordenada cronológicamente. A partir de esa unidad, el modelo reconstruye la trayectoria de salud y proyecta la probabilidad de desarrollar distintas patologías a lo largo de los años siguientes.

Qué cambia respecto de los modelos anteriores

Hasta ahora, buena parte de los algoritmos clínicos trabajaban sobre una variable puntual, como un análisis de laboratorio reciente o una imagen aislada, para producir una predicción acotada. La nueva camada de sistemas apunta a leer la película completa en lugar de un fotograma. Esa diferencia, señalan los autores de los estudios relevados, es la que permite estimar riesgos con horizontes de varios años en lugar de limitarse a alertar sobre un cuadro concreto en el corto plazo.

A quién alcanzan: los cinco modelos que lideran la línea de trabajo

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades. Se entrenó con datos de cerca de dos millones de personas provenientes del Biobanco del Reino Unido y de registros sanitarios daneses, de acuerdo con el artículo publicado por el equipo desarrollador.
• Curiosity: llevó ese enfoque a una escala mayor. Procesó más de 100.000 millones de eventos médicos correspondientes a más de 100 millones de pacientes, según consta en el informe de presentación del modelo.
• Apollo: sumó texto clínico e imágenes a los registros estructurados y trabajó con tres décadas de atención acumulada, como detallan los autores en la documentación técnica del proyecto.
• ALADYNOUILLI: incorporó información genética heredada y entrenó con más de 683.000 personas provenientes de tres biobancos, con el objetivo de identificar patrones de enfermedad que se modifican con la edad, según el reporte original.
• AURORA: integró siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos, tal como describe el equipo responsable en su publicación.

Desde cuándo rigen los principales límites y advertencias

Los cinco desarrollos mencionados comparten un punto en común que los propios equipos reconocen: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados clínicos de los pacientes. La advertencia figura de manera explícita en los trabajos publicados por los grupos de investigación detrás de cada modelo y fue retomada por especialistas en ética de la inteligencia artificial aplicados a la medicina, quienes subrayan que predecir un riesgo no equivale a demostrar que intervenir sobre ese riesgo modifica el curso de la enfermedad.

A esa cautela se suman otras restricciones de orden metodológico. Los modelos no son directamente comparables entre sí porque se entrenaron con bases de datos distintas, aplicaron criterios de evaluación diferentes y contemplaron horizontes temporales también disímiles, de modo que sus resultados no deben leerse como una carrera con un único ganador. La comunidad científica coincide, además, en que la utilidad clínica real de estos sistemas recién podrá medirse cuando se incorporen a ensayos prospectivos, es decir, estudios diseñados específicamente para probar si las decisiones tomadas a partir de las predicciones de la inteligencia artificial se traducen en diagnósticos más tempranos, tratamientos más oportunos o una disminución verificable de complicaciones en los pacientes.