La historia clínica completa, leída por una máquina: qué cambia cuando la inteligencia artificial intenta anticipar enfermedades años antes

Le pido al lector que imagine, por un instante, una consulta médica cualquiera en un centro de salud del conurbano bonaerense. La médica de cabecera abre la historia clínica en la pantalla, repasa los análisis de sangre del último año, la radiografía de tórax que se hizo cuando arrancó la pandemia, la receta del antihipertensivo que viene renovando desde 2019, una internación breve por una neumonía en 2022 y un estudio genético pedido por un familiar que terminó en un cajón. Cada uno de esos papeles, en general, se lee por separado, como una pieza suelta de un rompecabezas que nadie termina de armar. Lo que está empezando a cambiar, del otro lado del mundo, es que una nueva generación de sistemas de inteligencia artificial pretende leer todo ese recorrido completo, de punta a punta, y usarlo para anticipar, con años de anticipación, qué enfermedades tiene más chances de desarrollar esa persona.

Qué es la tokenización del paciente, en criollo

El procedimiento técnico se llama tokenización del paciente, y la idea de fondo es bastante concreta: tomar cada evento de la historia clínica, ya sea un diagnóstico, un resultado de laboratorio, una imagen, una nota médica o un estudio de ADN, y convertirlo en una unidad básica de información ordenada en una línea de tiempo. Una vez que el sistema tiene todas esas fichas acomodadas en orden cronológico, reconstruye la trayectoria de salud de esa persona y la usa para estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. Es, si se quiere, la diferencia entre mirar una foto y mirar una película: pasar del retrato de un momento aislado a la película completa de la salud de alguien.

En los últimos meses, cinco desarrollos distintos avanzaron en esa dirección, y todos coincidieron, de manera llamativa, en la misma estrategia: cuanto más completo y más largo es el historial que se le ofrece al modelo, más fina parece ser la predicción. La médica clínica Lorena, que trabaja desde hace veinte años en un hospital público de La Plata y prefiere no dar su apellido porque no está autorizada a hablar por la institución, me lo resume con una frase que se escucha seguido en los pasillos: "Nosotros vemos al paciente por pedazos, por consultorio, por guardia, por especialidad; la máquina, si esto funciona, va a poder ver al paciente entero". Esa posibilidad, la de mirar a la persona completa en lugar de cada órgano por separado, es la promesa que comparten estos cinco proyectos.

• 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, en su mayoría del Biobanco del Reino Unido, más registros daneses.
• Curiosity llevó el enfoque a una escala inédita: procesó más de cien mil millones de eventos médicos 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 entrenó con más de 683.000 personas de tres biobancos distintos, identificando patrones de enfermedad que cambian con la edad.
• AURORA integró siete tipos de datos diferentes en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Lo que todavía ninguno pudo demostrar

Con todo, hay una limitación central que los propios papers reconocen y que los especialistas consultados no se cansan de repetir: ninguno de estos cinco modelos demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore, en la práctica, los resultados clínicos de los pacientes. Es decir, pueden acertar en la predicción, pero todavía nadie probó que, gracias a ellos, la gente termine viviendo más, sufriendo menos internaciones o esquivando complicaciones. Esa distancia entre lo que el sistema anticipa y lo que efectivamente mejora la salud de una persona es, por ahora, el agujero más grande de toda esta línea de investigación, y la cautela que los investigadores piden es directamente proporcional al entusiasmo que generan los números.