Inteligencia artificial que lee toda la historia clínica: la promesa de anticipar enfermedades y el debate que todavía no cierra

Acá en la isla, donde las historias clínicas suelen vivir en carpetas que nadie cruza con las imágenes de la última tomografía, la idea de que una máquina pueda leer todo el recorrido médico de una persona suena casi a ciencia ficción. Pero ya no lo es: cinco sistemas de inteligencia artificial presentados en los últimos años se propusieron nada menos que convertir la vida clínica completa de cada paciente en una secuencia ordenada y, a partir de ahí, intentar anticipar qué enfermedades podrían aparecer con años de anticipación. Nosotros, que todavía peleamos para que un análisis de hace cinco años aparezca en la pantalla de la computadora, miramos de cerca qué hay detrás de esta promesa.

Cómo se transforma una historia clínica en un mapa

El mecanismo central se llama tokenización del paciente. En la práctica, significa tomar cada evento del historial médico, un diagnóstico, un resultado de laboratorio, una radiografía, una receta, una nota del profesional, y convertirlo en una unidad básica de información ubicada en una línea de tiempo. Cuando esas piezas se encaran, el modelo reconstruye la trayectoria de salud y puede calcular cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, en lugar de analizar cada dato por separado como se hacía hasta ahora.

• Delphi-2M: trabajó con diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil enfermedades. 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 y 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 acumuló tres décadas de atención.
• ALADYNOUILLI: incorporó información genética heredada y entrenó con más de 683 mil personas de tres biobancos, 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.

La lista impresiona por los números, pero los propios trabajos remarcan un punto clave que a veces se pierde en la difusión: estos cinco modelos no son directamente comparables, porque usan bases de datos, criterios de evaluación y horizontes temporales distintos. Es decir, no se trata de una carrera con un ganador claro, sino de cinco líneas de investigación que avanzan en paralelo hacia un objetivo común.

Lo que todavía ningún modelo pudo demostrar

Acá aparece la advertencia más fuerte de los especialistas que revisaron estos desarrollos. Aunque los sistemas logran predecir con razonable precisión quién tiene más chances de desarrollar determinada enfermedad en los próximos años, todavía ninguno demostró que tomar decisiones médicas a partir de esas predicciones, ya sea indicar un estudio, un tratamiento preventivo o un cambio de hábito, termine mejorando los resultados concretos de salud de los pacientes. Predecir, en este terreno, no es lo mismo que cambiar el desenlace.

La diferencia parece sutil pero es enorme. Si un modelo señala que una persona tiene alto riesgo de infarto en los próximos cinco años, la pregunta del millón es si actuar sobre esa advertencia modifica lo que efectivamente le va a pasar. Hasta ahora, ningún ensayo clínico a gran escala respondió esa pregunta con estos sistemas. Por eso, del otro lado del mostrador, los profesionales piden cautela: una predicción acertada que no se traduce en una mejor atención puede ser, en el mejor de los casos, un dato curioso, y en el peor, una fuente de estudios innecesarios y ansiedad para quien la recibe.

A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene intensificar controles, qué personas se benefician con una determinada medicación preventiva y dónde están los signos tempranos que hoy pasan desapercibidos. A nivel poblacional, la promesa es otra: ayudar a los sistemas de salud a planificar recursos, detectar brotes antes de que exploten y entender mejor cómo se combinan los factores de riesgo a lo largo de décadas. Las dos puntas suenan tentadoras, sobre todo en países donde la historia clínica sigue fragmentada entre sanatorios, obras sociales y centros de diagnóstico.

En la consulta de Marta, vecina del barrio de Belgrano que hace doce años se atiende en el mismo hospital, la idea todavía se siente lejana. Ella cuenta que cada vez que cambia de especialista tiene que volver a contar su historia, repetir análisis y perseguir resultados por teléfono. Cuando le contamos que existen modelos que podrían leer toda esa información junta y advertirle con tiempo un riesgo que hoy nadie le menciona, se queda pensando y dice, con la franqueza que la caracteriza: ojalá llegue el día en que sirva de algo y no termine siendo una pantalla más con mi nombre. Esa frase, que repite medio país sin saberlo, resume bastante bien lo que falta: que la inteligencia artificial que lee historias clínicas deje de ser un prototipo deslumbrante y se convierta, de una vez, en una herramienta que cambie la vida de quienes se sientan en el consultorio.