Una IA que lee toda tu historia clínica para anticipar qué enfermedad podrías tener en los próximos años

El martes a la mañana, en el centro de salud de Villa del Parque, la médica de cabecera de María Inés abrió la carpeta de la paciente y pasó las hojas como quien hojea una novela por entregas: un análisis de sangre de 2019, una radiografía de tórax de 2021, una receta para la presión de 2023, un control ginecológico de hace seis meses. Cada papel decía algo sobre María Inés, pero leídos juntos contaban una historia que nadie había mirado como un todo. Esa historia completa, dicen ahora los investigadores que trabajan con inteligencia artificial, puede transformarse en una secuencia de datos capaz de anticipar con años de antelación qué enfermedades tiene más chances de desarrollar una persona, y es lo que promete una nueva generación de sistemas que aprende leyendo historias clínicas enteras en lugar de un dato aislado.

Qué es la tokenización del paciente y cómo funciona

El mecanismo se llama tokenización del paciente, un nombre técnico para una idea bastante concreta: tomar cada evento del historial médico, ya sea un diagnóstico, un resultado de laboratorio, una imagen, una nota del profesional o una fecha de internación, convertirlo en una unidad de información ordenada en el tiempo y encadenar todas esas unidades como si fueran eslabones de un mismo relato. Para el modelo, la historia clínica deja de ser un archivo desordenado y pasa a ser una secuencia cronológica que puede procesar y usar para calcular probabilidades futuras de más de mil enfermedades a lo largo de la vida de una persona, una diferencia enorme respecto de los modelos clásicos de predicción clínica, que suelen trabajar con un número acotado de variables y un horizonte de tiempo corto.

• Delphi-2M organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil enfermedades, entrenado con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó esa idea a una escala muy superior: procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes en distintas poblaciones.
• Apollo sumó texto clínico e imágenes a los registros estructurados y trabajó con tres décadas de atención acumulada para reconstruir trayectorias longitudinales.
• 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.

Lo que estos modelos todavía no pueden prometer

Antes de ilusionarse con la idea de tener un mapa anticipado de la propia salud, conviene detenerse en lo que estos cinco desarrollos tienen en común, y lo que comparten no es menor: ninguno de ellos demostró todavía que tomar decisiones médicas a partir de sus predicciones, ya sea pedir un estudio extra, cambiar una medicación o intensificar un seguimiento, mejore de manera concreta los resultados clínicos de los pacientes. Es la distancia enorme que sigue existiendo entre predecir que algo puede ocurrir y demostrar que intervenir a tiempo cambia el destino, y los especialistas insisten en que esa diferencia es la que separa una herramienta prometedora de una herramienta útil, un matiz que muchas veces se pierde en los titulares.

Mientras tanto, en el barrio de María Inés, la médica de cabecera sigue hojeando carpetas de papel cada mañana, y a veces se pregunta cómo sería que una máquina pudiera leer de un tirón todo lo que ella hojea, y sobre todo si esa lectura serviría, llegado el caso, para cambiarle la vida a alguien antes de que la enfermedad aparezca. Esa pregunta, por ahora, sigue abierta.