Cinco modelos de inteligencia artificial entrenados con historiales clínicos masivos abren un nuevo capítulo en la predicción de enfermedades

Un historial clínico reúne análisis de sangre, recetas, diagnósticos e imágenes que, en general, se leen por separado y rara vez como un conjunto. La nueva generación de modelos de inteligencia artificial apunta a cambiar esa lógica: en lugar de analizar un dato aislado, busca convertir todo el recorrido médico de una persona en una secuencia que el sistema pueda procesar y usar para hacer predicciones a futuro.

El procedimiento recibe el nombre de tokenización del paciente y consiste en transformar cada evento del historial —un diagnóstico, un resultado de laboratorio, una imagen, una nota médica— en una unidad básica de información ordenada en el tiempo. Al reunir esas piezas, el modelo reconstruye la trayectoria de salud y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, según detallaron los trabajos publicados sobre estos desarrollos.

Qué cambia

Cinco sistemas recientes avanzaron en esa dirección y comparten un rasgo: fueron entrenados con volúmenes de información clínica sin precedentes en la literatura médica, lo que les permite captar patrones longitudinales antes reservados a estudios de cohorte específicos. Cada uno abordó el problema con bases de datos y arquitecturas diferentes, y ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes.

Los cinco desarrollos

• Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades, con datos de casi dos millones de personas provenientes del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó ese enfoque a una escala mayor: 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, 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.

A quién alcanza y desde cuándo

El alcance potencial de estos modelos abarca a cualquier paciente cuyo recorrido médico pueda digitalizarse en una secuencia completa. En la práctica, eso implica a usuarios de sistemas de salud con registros electrónicos consolidados, en países como el Reino Unido, Dinamarca y Estados Unidos, donde funcionan los biobancos y consorcios de datos que alimentaron los entrenamientos. La difusión clínica concreta, según subrayaron los autores, todavía no tiene fecha: los trabajos publicados son pruebas de concepto y no se traducen, por el momento, en herramientas aprobadas para uso asistencial.

La cautela de los especialistas apunta a una distinción técnica: predecir un riesgo con alta probabilidad no equivale a demostrar que intervenir antes cambie el desenlace. Los propios equipos detrás de estos modelos reconocieron esa limitación y coincidieron en que el próximo paso será diseñar ensayos clínicos que evalúen si las decisiones tomadas a partir de estas predicciones —screening anticipado, cambios de tratamiento, derivaciones preventivas— se traducen en mejoras medibles en la salud de la población.