Una inteligencia artificial que se sumerge en el historial clínico completo para anticipar qué nos puede pasar

Son las nueve de la mañana de un martes cualquiera en el consultorio de Marisa, médica clínica en Caballito, y la pantalla de la computadora empieza a cargar, otra vez, el historial de su paciente de las diez. Lo conoce de memoria: Marta, 62 años, hipertensa desde los 48, una diabetes que se le descontroló el año pasado, una resonancia abdominal del 2022 que quedó archivada sin que nadie la mirara con detenimiento. Lo que ve Marisa, una vez más, es un rompecabezas abierto sobre el escritorio: análisis de sangre que llegaron en PDF, recetas en otro sistema, un informe de cardiología que está en una carpeta aparte y una placa vieja que alguien escaneó mal. Toda esa historia clínica, que es la vida médica de Marta, se lee hoy por pedazos sueltos, casi nunca como un conjunto. Y ahí, justo en ese hueco entre los pedazos, es donde aparece una nueva generación de sistemas de inteligencia artificial que promete hacer algo que hasta ahora parecía reservado para los médicos más memoriosos: leer toda la historia de un paciente como si fuera una novela y anticipar, con años de anticipación, qué enfermedades podrían aparecer.

La idea de fondo: convertir una vida médica en una secuencia

La técnica tiene un nombre técnico, tokenización del paciente, pero la idea se cuenta fácil. Cada evento del historial clínico, un análisis de laboratorio, un diagnóstico, una receta, una imagen, una nota del médico, se transforma en una unidad básica de información ordenada en el tiempo. Esas unidades se encadenan una tras otra, como las palabras de una frase, y el modelo de inteligencia artificial las lee en conjunto para reconstruir la trayectoria de salud de la persona y estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. Lo que antes era una carpeta desordenada con estudios de distintos formatos y procedencias se convierte, en teoría, en una secuencia larga y ordenada que una máquina puede procesar. Y a partir de esa secuencia, el sistema intenta responder la pregunta que más le importa a Marisa en su consultorio de Caballito: qué le puede pasar a Marta dentro de tres, cinco o diez años.

Cinco modelos que ya están probando ese camino

En los últimos meses se conocieron cinco desarrollos que llevan esa lógica a escalas cada vez más grandes, y conviene repasarlos uno por uno porque cada uno empujó la frontera un poco más lejos:

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

Estos cinco modelos no son directamente comparables entre sí, aclaran los especialistas, porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que no siempre coinciden. Comparten, en cambio, una limitación central que los investigadores se ocupan de repetir cada vez que presentan sus resultados: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones, hacer un estudio extra, cambiar un tratamiento, derivar al especialista, mejore de manera concreta la salud de los pacientes. Que un sistema acierte quién va a enfermarse no significa, todavía, que actuar en función de esa predicción sirva para algo.

Qué cambia para la gente común

Las aplicaciones posibles se dividen en dos planos. A nivel individual, estos sistemas podrían señalar en qué momento de la vida una persona tiene más chances de desarrollar cierta enfermedad y permitir controles focalizados en esa ventana, en lugar de los chequeos genéricos que hoy se indican casi por defecto. A nivel de políticas sanitarias, la promesa es identificar poblaciones con riesgo alto de determinadas patologías y organizar campañas de detección precoz o de vacunación con un nivel de detalle al que hoy no se llega. Para Marisa, en Caballito, la traducción sería concreta: podría sentarse frente a Marta y decirle, con razonable respaldo estadístico, que en los próximos cinco años su riesgo cardiovascular crece de manera marcada, y entonces ajustar controles y tratamiento antes de que el problema aparezca, en vez de esperarlo a la guardia. La comunidad médica, igual, pide cautela: anticipar no es lo mismo que evitar, y la diferencia entre ambas cosas es exactamente lo que estos modelos todavía no pudieron probar.

Vuelvo a la pantalla del consultorio de Marisa, donde el historial de Marta sigue abierto en tres ventanas distintas y la mañana sigue entrando con ese sol tibio de septiembre que se cupea por la persiana. Por ahora, el rompecabezas de la historia clínica lo sigue armando ella, a ojo, con la memoria, con la intuición clínica y con el tiempo que le deja cada consulta. La nueva generación de inteligencia artificial llega para ofrecerle una lectura completa de ese rompecabezas, capaz de mirar décadas hacia adelante y de ver patrones que un humano, por más experimentado que sea, no puede abarcar. Lo que todavía no está escrito es el capítulo más importante de esta historia: que esa lectura, algún día, se traduzca en pacientes que viven mejor. Mientras tanto, en Caballito, Marisa cierra la ventana del sistema viejo, abre la de la receta y empieza, como cada martes, a hacer lo que siempre hizo: leer a Marta entre líneas, una consulta a la vez.