Cuando la historia clínica deja de ser un archivo y empieza a ser un mapa: la inteligencia artificial que predice enfermedades leyendo toda la vida médica de un paciente

Lo que durante décadas fue un archivo largo, desparejo y casi siempre desordenado, esa carpeta verde o esa historia clínica digital donde se apilan análisis de sangre, recetas, radiografías, notas de guardia y diagnósticos sueltos escritos a mano o a máquina, empieza a parecerse, gracias a una nueva camada de modelos de inteligencia artificial, a otra cosa: a una hoja de ruta. Los sistemas ya no se conforman con mirar un dato aislado, sino que se entrenan para leer el recorrido médico completo de una persona como si fuera una secuencia, y a partir de ahí estimar qué enfermedades tiene más chances de aparecer en los próximos años.

La técnica tiene un nombre técnico, tokenización del paciente, pero la idea de fondo es bastante intuitiva: cada evento relevante del historial, un resultado de laboratorio, una tomografía, un diagnóstico, una indicación de tratamiento, se convierte en una unidad de información ordenada en el tiempo. Juntas, esas unidades forman una especie de línea de tiempo clínica que el modelo aprende a interpretar. A diferencia de los sistemas clásicos, que responden a una pregunta puntual del médico, estos modelos leen toda la historia junta, identifican patrones y proyectan cómo evoluciona el riesgo de más de mil enfermedades a lo largo del tiempo.

Cinco modelos que están marcando el pulso de esta nueva generación

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, entrenándose con datos de cerca de dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó el enfoque a una escala enorme y procesó más de 100 mil millones de eventos médicos correspondientes a más de 100 millones de pacientes.
• Apollo: le sumó a los registros estructurados el texto clínico y las imágenes, y trabajó con tres décadas de atención acumulada.
• ALADYNOUILLI: incorporó información genética heredada y se entrenó con más de 683 mil personas de tres biobancos, identificando patrones de enfermedad que cambian con la edad.
• AURORA: integró siete tipos de datos distintos en más de 425 mil individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Estos cinco desarrollos, publicados en los últimos meses en distintas revistas científicas, no son directamente comparables entre sí porque usan bases de datos diferentes, criterios de evaluación distintos y horizontes temporales que tampoco coinciden. Comparten, sin embargo, una limitación central que los propios autores y los revisores se ocupan de remarcar: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados clínicos concretos de los pacientes. Es decir, los modelos son buenos anticipando qué puede pasar, pero todavía no hay evidencia firme de que avisar con tiempo cambie de verdad el destino de esa persona.

Las aplicaciones que se imaginan a futuro son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene reforzar controles, repetir un estudio o prestar atención a una señal temprana. A nivel poblacional, la lectura de millones de historias clínicas permitiría identificar trayectorias de enfermedad compartidas, reorganizar recursos sanitarios y diseñar campañas de prevención mucho más afinadas, dejando atrás los chequeos genéricos que muchas veces no le dicen nada a nadie. La promesa, en criollo, es enorme: pasar de una medicina que reacciona cuando el problema ya está instalado a una medicina que se adelanta y conversa con el cuerpo antes de que avise. Falta, todavía, el paso más difícil, que es demostrar que esa conversación anticipada sirve, en la vida real, para que la gente termine viviendo más y mejor.