La historia clínica entera, traducida al lenguaje de una máquina: cómo la inteligencia artificial empieza a anticipar enfermedades antes de que aparezcan

A esta altura, a cualquiera que haya pisado un consultorio le resulta familiar el ritual: el médico pide un análisis, mira los valores fuera de rango, pide una placa, revisa la última receta, anota un diagnóstico y, casi siempre, cierra la carpeta sin conectar demasiado esos puntos entre sí. Cada pieza viaja por su carril. La nueva generación de inteligencia artificial que empieza a difundirse en centros de investigación de Europa y Estados Unidos propone otra cosa: tomar todo ese recorrido, desde el primer análisis de sangre hasta la última resonancia, y convertirlo en una secuencia que una máquina pueda leer de punta a punta, como si fuera una biografía clínica del paciente.

El procedimiento tiene un nombre técnico que conviene aprender porque va a empezar a escucharse seguido: tokenización del paciente. La idea es simple de explicar, aunque por dentro sea muy compleja. Cada evento del historial clínico, sea un diagnóstico, un valor de laboratorio, una imagen, una nota médica o una fecha de internación, se transforma en una unidad básica de información ordenada en el tiempo. Esas unidades se encadenan y forman, en conjunto, una especie de línea de tiempo de la salud de una persona. El modelo, entrenado con miles o millones de historias similares, aprende patrones y termina estimando cómo evoluciona el riesgo de más de mil enfermedades a lo largo de los años.

Cinco modelos, una misma idea y distintas escalas

Hasta acá viene trabajando un puñado de desarrollos recientes que marcan el estado del arte. Aunque no son directamente comparables, porque usan bases de datos, criterios y horizontes temporales diferentes, comparten la filosofía de leer la historia clínica completa en lugar de quedarse con un solo dato aislado.

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades. Se entrenó con datos de casi dos millones de personas, provistos por el Biobanco del Reino Unido y registros daneses.
• Curiosity: llevó el enfoque a una escala enorme. Procesó más de cien mil millones de eventos médicos correspondientes a más de cien millones de pacientes.
• Apollo: sumó texto clínico e imágenes médicas a los registros estructurados y trabajó con tres décadas de atención acumulada para reconstruir la trayectoria de salud.
• ALADYNOUILLI: incorporó información genética heredada y entrenó con más de 683.000 personas de tres biobancos. Identificó 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 todavía falta probar

Acá viene el dato que los propios investigadores subrayan y que, como lector, me parece clave no pasar por alto. Estos cinco modelos comparten una limitación central que no es menor: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones, por ejemplo indicar un estudio extra o cambiar un tratamiento, mejore de manera concreta los resultados de salud de los pacientes. Es decir, la máquina puede anticipar, pero todavía nadie pudo probar que actuar sobre esa anticipación cambie algo en la vida de la gente.

Mientras escribo esto, pienso en las conversaciones de mostrador que uno tiene en el barrio. Ayer, en la farmacia de la esquina, una vecina llamada Marta me decía, mientras esperaba su turno para el antihipertensivo, que ella preferiría que el médico le avise con años de anticipación si va a tener una diabetes antes de que aparezca, en lugar de llegar al diagnóstico ya con el azúcar fuera de control. Le conté que eso es, justamente, lo que prometen estos sistemas. Pero también le aclaré lo que remarcan los especialistas: que predecir no es lo mismo que demostrar que la predicción sirve para algo.

Para qué podría servir, en el día a día

Las aplicaciones que se imaginan los investigadores son de dos tipos muy distintos. A nivel individual, estos modelos podrían indicar en qué momento de la vida una persona tiene más chances de desarrollar determinada enfermedad y disparar, en ese punto, estudios preventivos o cambios de hábitos. A nivel de políticas sanitarias, podrían ayudar a dimensionar la demanda futura de tratamientos especializados, planificar campañas de detección temprana y asignar recursos con menos margen de error.

Cierro con la imagen que me quedó dando vueltas después de leer todo esto. Pienso en el archivo de una historia clínica como en un álbum familiar desordenado, guardado en cajas, con fotos sueltas, recetas amarillentas y estudios en sobres separados. Lo que propone esta nueva camada de inteligencia artificial es algo casi poético: juntar todo ese álbum, ponerlo en orden cronológico y enseñarle a una máquina a leerlo entero, como si fuera una novela. La novela de cada paciente. Falta, todavía, que esa lectura sirva para escribir un final distinto al que la historia venía anticipando.