La historia clínica entera, traducida a números: cómo la inteligencia artificial aprende a leer la vida de un paciente completo

Llego a la redacción con la cabeza todavía en la nota y me siento frente al escritorio con una sensación rara, la de estar ante algo que hasta hace poco sonaba a ciencia ficción y que hoy ya tiene nombre y apellido técnico. Le cuento de qué se trata porque vale la pena entenderlo: hay una nueva camada de sistemas de inteligencia artificial que se propone nada menos que leer la historia clínica completa de una persona, de punta a punta, y usarla para anticipar qué enfermedades podrían aparecer dentro de cinco, diez o veinte años. La idea ya no es analizar un análisis de sangre aislado ni una radiografía por separado, sino tomar todo el recorrido médico, análisis, recetas, diagnósticos, imágenes, fechas, y convertirlo en una secuencia que el modelo pueda interpretar como si fuera una especie de mapa del tiempo.

De la ficha de papel a la historia clínica como una secuencia

El término que usan los investigadores para describir este proceso es tokenización del paciente. La palabra suena, pero la idea es bastante concreta: cada evento del historial, un diagnóstico, un resultado de laboratorio, una placa, una nota del médico, se transforma en una unidad básica de información ordenada en el tiempo. Cuando todas esas piezas se encaran, el modelo reconstruye la trayectoria de salud de esa persona y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.

Hasta ahora, los sistemas que veíamos en funcionamiento trabajaban con datos puntuales. Decían, por ejemplo, riesgo de diabetes a diez años en base a algunos indicadores sueltos. Lo nuevo es que estos modelos están entrenados con el historial entero, lo que les permite captar relaciones que solo aparecen cuando se mira la película completa y no la foto de un momento.

Los cinco desarrollos que marcan el pulso del tema

• 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 el enfoque a una escala mucho mayor, procesó más de cien mil 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 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 modelos no son directamente comparables entre sí, aclaran los propios papers, porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que varían. Comparten, sin embargo, una limitación central que los especialistas no se cansan de repetir: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes.

Qué falta para que esto llegue a la guardia del hospital

La promesa es enorme, pero el camino es otra cosa. Los desarrollos están entrenados con poblaciones muy específicas, británicas, danesas, de biobancos concretos, y todavía no está claro cómo se comportan con perfiles clínicos muy distintos, como los de América latina. Además, predecir una enfermedad es solo una parte del problema: hace falta probar que, una vez que el sistema avisa, existe una intervención que efectivamente cambia el pronóstico. Hoy, en muchos casos, esa segunda parte no existe.

A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene reforzar controles, qué vacunas priorizar o qué hábitos revisar, antes de que aparezcan los primeros síntomas. A nivel poblacional, podrían ayudar a los sistemas de salud a redistribuir recursos hacia donde el riesgo es mayor. Pero todo eso, hoy, es escenario, no práctica instalada.

Vuelvo a la escena del principio, a la nota en la pantalla y a esa sensación de estar ante algo que se mueve rápido. La inteligencia artificial capaz de leer la historia clínica entera ya no es un prototipo de laboratorio: está entrenada con datos de millones de personas y publica sus resultados en revistas arbitradas. Lo que todavía no existe, y esa es la discusión que obsesiona a los especialistas, es la prueba de que usarla sirva, en el consultorio y en la guardia, para que la gente viva más y mejor. Mientras esa evidencia no llegue, lo más prudente es mirar estos modelos con fascinación y con cautela a la vez.