La historia clínica completa, convertida en mapa de riesgos: cómo cinco modelos de inteligencia artificial buscan anticipar enfermedades años antes de que aparezcan

Una historia clínica es, en la mayoría de los consultorios y hospitales, un archivo desordenado: análisis de sangre por aquí, una receta por allá, una radiografía guardada en otro sistema, un diagnóstico escrito a mano que nadie vuelve a abrir. La nueva generación de modelos de inteligencia artificial que llegó en los últimos meses propone leer ese archivo entero, de principio a fin, como si fuera una novela: convertir cada evento médico en una pieza ordenada en el tiempo y usar la secuencia completa para anticipar qué enfermedades pueden aparecer en los próximos años.

El procedimiento tiene un nombre técnico, tokenización del paciente, pero la idea es sencilla. Cada consulta, cada resultado de laboratorio, cada imagen y cada nota clínica se transforma en una unidad básica de información. Al juntar todas esas unidades, el modelo reconstruye la trayectoria de salud de una persona y estima cómo evoluciona el riesgo de más de mil enfermedades a lo largo del tiempo. No se trata de mirar un solo dato, como hacía la medicina tradicional, sino de leer la película completa.

Cinco modelos, cinco escalas, una misma apuesta

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades. Se entrenó con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó el enfoque a una escala inédita, procesó más de 100.000 millones de eventos médicos de más de 100 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: usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que van de meses a décadas. Comparten, sin embargo, una limitación central que los propios investigadores reconocen. 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 enfermarse dentro de cinco años es una cosa; probar que intervenir hoy cambia ese destino es otra muy distinta, y esa segunda prueba todavía no se hizo.

Las aplicaciones que se vislumbran son de dos tipos. A nivel individual, estos sistemas podrían señalar en qué momento de la vida una persona debería intensificar controles o cambiar un tratamiento. A nivel poblacional, abren la puerta a que los sistemas de salud identifiquen grupos de riesgo antes de que aparezcan los síntomas y planifiquen recursos con años de anticipación. La promesa es enorme, pero el camino entre la predicción y la mejora real de la salud sigue abierto.

Como me decía hace unos días una médica del hospital local, mientras revisaba la historia clínica de un paciente con más de veinte años de atención acumulada en este mismo pueblo, a unos 700 kilómetros de Buenos Aires: estos modelos prometen leer lo que nosotros nunca tuvimos tiempo de leer. Lo que falta, me insistió, es que alguien demuestre que lo que lean sirva, de verdad, para que la gente viva mejor. Esa prueba pendiente es, por ahora, el reclamo que les queda a los desarrolladores, a los reguladores y a los ministerios de Salud que deberán decidir si adoptan, ajustan o dejan en pausa una tecnología que ya está entre nosotros.