Cuando la historia clínica completa se vuelve una brújula: la inteligencia artificial que se anima a predecir enfermedades

Lo primero que se siente al entrar a cualquier consultorio de barrio, en cualquier ciudad del centro del país, es ese zumbido familiar del aire acondicionado peleando contra la calor de la calle y el ruido lejano de un colectivo que dobla en la esquina. La recepcionista revisa una carpeta gruesa, casi un archivo, y le dice a uno que el turno es para la semana próxima. Esa carpeta, que durante años se amontonó en los estantes de los centros de salud y de los hospitales públicos, es justamente la pieza que la nueva generación de inteligencia artificial aprendió a mirar como nunca antes: la historia clínica completa, con sus análisis de sangre, sus recetas repetidas, sus radiografías mal guardadas y sus diagnósticos escritos a mano o tipeados a último momento. La promesa es enorme: transformar todo ese recorrido en una secuencia que un modelo pueda interpretar para anticipar, con años de antelación, qué enfermedades tiene más chances de aparecer.

La técnica tiene un nombre técnico, tokenización del paciente, pero la idea es bastante sencilla de explicar en criollo. Cada evento médico, un diagnóstico, un valor de laboratorio, una imagen, una nota del médico, se convierte en una unidad básica de información ordenada en el tiempo. Al juntar todas esas piezas, el sistema reconstruye la trayectoria de salud de una persona y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. En lugar de leer cada dato por separado, como se hacía siempre, la máquina intenta leer la novela entera.

Cinco modelos que miran la salud como una película

En los últimos meses se conocieron cinco desarrollos que llevan ese enfoque a escalas muy distintas. Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, usando datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses. Curiosity llevó la idea a un nivel muchísimo más grande: procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes. Apollo le sumó texto clínico e imágenes a los registros ya 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, por su parte, integró siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

• Delphi-2M: más de mil enfermedades estimadas a partir de casi dos millones de historias clínicas.
• Curiosity: cien mil millones de eventos médicos de más de cien millones de pacientes.
• Apollo: combina texto clínico, imágenes y registros de tres décadas de atención.
• ALADYNOUILLI: suma información genética y patrones cambiantes con la edad en 683.000 personas.
• AURORA: cruza siete tipos de datos en más de 425.000 individuos para investigar envejecimiento y metabolismo.

Ahora bien, conviene pisar con los pies sobre la tierra, porque estos cinco sistemas no son directamente comparables entre sí: usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que no se superponen. Lo que comparten, y esto es lo que más subrayan los especialistas, es una limitación central que no se puede pasar por alto: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Predecir, en este campo, es apenas el primer paso; falta el más importante, que es demostrar que intervenir a tiempo cambia la historia.

Qué se puede esperar y qué todavía no

Las aplicaciones que se imaginan los investigadores van en dos direcciones bien marcadas. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona tiene más riesgo de desarrollar diabetes, insuficiencia cardíaca o ciertos tipos de cáncer, y sugerir controles más seguidos o cambios de hábitos antes de que aparezcan los síntomas. A nivel de salud pública, en cambio, permitirían detectar patrones en poblaciones enormes y anticipar picos de demanda hospitalaria, campañas de vacunación o políticas de prevención mucho más afinadas. Lo que todavía falta, y los propios papers lo reconocen, son ensayos clínicos que prueben que alertar a un médico o a un paciente a partir de estos modelos se traduce en menos internaciones, menos complicaciones y, en definitiva, más años de vida bien vividos.

Vuelvo a la sala de espera del principio, esa donde todavía se escucha el motor del colectivo frenando en la esquina y donde la recepcionista acomoda carpetas que pesan como ladrillos. Imagino una versión futura, no tan lejana, en la que esa misma carpeta se transforme en una especie de brújula personal: que no sólo cuente lo que ya pasó, sino que avise, con tiempo y con nombres concretos, qué conviene vigilar. Mientras tanto, colegas médicos y lectores del barrio, me quedo con la sensación honesta de que la promesa está ahí, enorme, pero todavía en pañales: hacer predicciones es un paso enorme, sí, aunque todavía falta lo más difícil, que es demostrar que esas predicciones sirven para vivir mejor.