Cuando la historia clínica se vuelve un mapa: la inteligencia artificial que se anticipa a las enfermedades

Acá en el sur, un martes cualquiera, Marta, vecina del barrio San Cayetano, sale del centro de salud con un sobre de análisis de sangre bajo el brazo. Piensa en su padre, que murió a los 62 de un infarto que nadie vio venir, y se pregunta si a ella le espera el mismo final. Hoy la pregunta suena casi retórica, pero por primera vez empieza a tener una respuesta posible: una nueva generación de sistemas de inteligencia artificial está aprendiendo a leer no un análisis aislado, ni una sola receta, sino la historia clínica completa de una persona, convertida en una secuencia ordenada en el tiempo, para anticipar qué enfermedades pueden aparecer en los próximos años.

De un papel a una secuencia de eventos

El procedimiento se conoce como tokenización del paciente y la idea es simple de explicar, aunque por debajo sea técnicamente compleja. Cada evento del recorrido médico, un diagnóstico, un valor de laboratorio, una placa, una nota del médico, se transforma en una unidad de información con su fecha. Al unir esos miles de pedazos, el modelo reconstruye la trayectoria de salud de la persona y la usa como insumo para estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo del tiempo.

Nosotros, como pacientes, solemos vivir la historia clínica como un archivo fragmentado: lo que vio el cardiólogo, lo que pidió la endocrinóloga, lo que se hizo en el sanatorio de turno. Estos sistemas, en cambio, trabajan sobre el conjunto, y por eso son distintos a los desarrollos anteriores, que se entrenaban para resolver una sola tarea, como detectar un tumor en una imagen o predecir una complicación puntual.

Cinco modelos, una misma apuesta

• Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades, con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó el enfoque a una escala mayor: 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.

Aunque los cinco comparten la idea de base, no son comparables entre sí: usaron distintas bases de datos, distintos criterios para medir el acierto y distintos horizontes de tiempo. Por eso conviene leerlos como una foto de familia, no como un ranking.

Lo que todavía no se pudo probar

La limitación central es una y la repiten los especialistas: ninguno de estos modelos demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Es decir, pueden estimar riesgos con varios años de anticipación, pero todavía no hay evidencia clínica robusta de que actuar en función de esas estimaciones reduzca mortalidad, internaciones o complicaciones. Hasta que esos estudios no existan, la herramienta es una promesa, no una indicación.

“Todavía ninguno de estos modelos demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Es una promesa, no una indicación.”Lectura del material de base

Las posibles aplicaciones que se mencionan van en dos direcciones. A nivel individual, estos sistemas podrían indicar en qué momento del recorrido de una persona se abre una ventana de riesgo y sugerir controles o cambios de hábito antes de que aparezca el problema. A nivel poblacional, podrían ayudar a los sistemas de salud a planificar recursos, identificar grupos con mayor vulnerabilidad y diseñar campañas de prevención con un nivel de detalle que hoy no existe.

Marta, en el barrio San Cayetano, todavía no tiene un mapa así en su carpeta. Pero sabe que, en algún lugar del mundo, alguien está entrenando una máquina con millones de historias parecidas a la suya, la de su padre y la de los vecinos, para que la próxima vez que un infarto aparezca sin aviso, haya una advertencia previa. Lo que ella espera, y nosotros con ella, es que esa advertencia llegue a tiempo y sirva para algo más que para un paper.