Pongámonos de acuerdo en algo: cada vez que vamos al médico nos dejan un papel, un estudio, una receta. A veces un diagnóstico. Con los años, eso se vuelve un archivo enorme, desordenado, lleno de abreviaturas que ni el propio paciente entiende. Ahora imaginemos que alguien toma todo eso, lo ordena y lo lee como si fuera una novela: capítulo por capítulo, del primer síntoma a la última consulta. Eso es, básicamente, lo que está empezando a hacer una nueva camada de inteligencia artificial aplicada a la medicina.

La idea central: convertir la vida médica en una secuencia

Los modelos tradicionales miran un dato aislado: un valor de colesterol, una radiografía, un resultado de laboratorio. Lo nuevo es otra cosa. Lo que hacen estos sistemas es tokenizar al paciente. Cada evento del historial clínico, ya sea un diagnóstico, un análisis, una imagen o una nota del profesional, se transforma en una unidad de información ordenada en el tiempo. Una vez armado ese hilo, el modelo puede leer la trayectoria de salud completa y calcular cómo va cambiando el riesgo de distintas enfermedades a lo largo de los años.

Cinco desarrollos que ya están en carrera

• Delphi-2M: ordenó diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil 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 enorme, 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, buscando 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 modelos no se pueden comparar cabeza a cabeza porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que no coinciden. Comparten, eso sí, una limitación central que los propios investigadores remarcan: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Anticipar un riesgo no es lo mismo que lograr que cambiar algo, una medicación, un estudio, un hábito, sirva para evitarlo.

Para qué podría servir en la vida real

Las aplicaciones que se avizoran son de dos tipos. A nivel individual, estos sistemas podrían señalar en qué momento de la vida una persona tiene más chances de desarrollar determinada enfermedad y sugerir estudios o controles antes de que aparezcan los síntomas. A nivel poblacional, la idea es ayudar a los sistemas de salud a planificar recursos, identificar grupos de riesgo y diseñar campañas de prevención más afinadas. En ambos casos, el punto crítico sigue siendo el mismo: predecir es un paso, demostrar que esa predicción sirve para mejorar la salud del paciente es otro, y ese paso todavía no está dado.