Una inteligencia artificial que recorre historia clínica por historia clínica para intentar ver qué nos puede pasar

A veces uno entra a un consultorio y tiene la sensación de que al médico de enfrente le faltan Pedazos. Está sentado, con la compu abierta, y trata de reconstruir a partir de estudios sueltos, una resonancia del año pasado, un análisis de colesterol que se mandó en 2021, una receta que ya ni se acuerda para qué fue. Es como intentar entender una novela leyendo páginas salteadas. Con esa imagen en la cabeza arranco esta nota, porque la promesa de la que se habla ahora en el mundo de la inteligencia artificial aplicada a la medicina es, justamente, leer la novela entera de cada paciente.

La técnica tiene un nombre técnico que suena más a oficina que a medicina, pero la idea es bastante llana: tokenización del paciente. En criollo, significa convertir cada evento del historial clínico, un diagnóstico, un resultado de laboratorio, una tomografía, una receta, una nota del médico, en una unidad de información ordenada en el tiempo. Una vez que esos pedazos están ordenados, el modelo de inteligencia artificial puede mirar la secuencia completa y estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.

Cinco modelos, cinco apuestas distintas

• 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, tomadas del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó esa idea a una escala enorme: procesó más de 100.000 millones de eventos médicos de más de 100 millones de pacientes.
• Apollo le 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, 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 aclaro porque a uno se le puede ir la mano con la emoción: estos cinco modelos no son directamente comparables. Usan bases de datos distintas, criterios de evaluación distintos y miran horizontes temporales distintos. Comparten, sin embargo, una limitación central que los especialistas remarcan una y otra vez: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones sirva, en la práctica, para mejorar los resultados concretos de los pacientes. Predecir, en este terreno, no es todavía tratar.

Para qué podría servir, más allá del vértigo

Las aplicaciones que se imaginan son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona tiene más chances de desarrollar determinada enfermedad y sugerir estudios o controles más finos antes de que aparezcan los síntomas. A nivel de salud pública, podrían ayudar a planificar recursos, campañas de prevención y políticas de cribado poblacional. La promesa es enorme, pero también lo es el riesgo de anticipar diagnósticos para los que todavía no hay tratamiento probado, o de generar alarmas en pacientes que quizás nunca hubieran enfermado.

Vuelvo a la sala de espera del principio. El médico con su compu abierta, la historia clínica a los pedazos, el paciente que trata de recordar fechas. Si esta nueva generación de modelos cumple lo que promete, el profesional del futuro va a tener enfrente una línea de tiempo completa, leída de punta a punta por una máquina que vio millones de historias parecidas. Lo que todavía no está claro, y esto es lo que más le importa a cualquiera que se siente en el consultorio, es si esa lectura anticipada se traducirá en años de vida ganados o, por ahora, solo en una advertencia más en el historial.