Cuando la historia clínica completa se vuelve un mapa para anticipar enfermedades: cinco modelos de inteligencia artificial que ya leen la vida médica entera de un paciente

Imagine, por un instante, la carpeta donde guarda cada análisis de sangre que se hizo en los últimos veinte años, las recetas que fue descartando en el cajón de la cocina, las placas que le sacaron después de aquella caída en bicicleta y los informes firmados por médicos que ya ni recuerda. Ahora imagine que toda esa pila de papeles, desperdigada por la casa en sobres y cajones, pudiera leerse de un tirón, como si fuera una novela escrita en clave sobre el futuro de su cuerpo. Eso es, ni más ni menos, lo que promete una nueva generación de modelos de inteligencia artificial que toman la historia clínica completa de una persona y la convierten en una secuencia ordenada para anticipar enfermedades con años de antelación.

Del sobre con análisis sueltos a una línea de tiempo que el modelo puede leer

El procedimiento que vuelve posible esa lectura se llama tokenización del paciente: cada evento del historial, ya sea un diagnóstico, un valor de laboratorio, una imagen o una nota del médico, se transforma en una unidad básica de información ubicada en el tiempo. Al encadenar esas piezas, el sistema reconstruye la trayectoria de salud y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, en lugar de quedarse con la foto aislada de un estudio.

Cinco desarrollos recientes mostraron que esa idea dejó de ser experimental. 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 del Biobanco del Reino Unido y de registros daneses. Curiosity llevó el enfoque a una escala enorme: 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 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.

Qué pueden hacer estos modelos y dónde todavía no llegan

• Anticipar el riesgo individual de más de mil enfermedades con varios años de horizonte, usando todo el recorrido médico previo como insumo.
• Integrar información diversa, desde análisis de laboratorio hasta imágenes e historia familiar, en una sola lectura longitudinal por paciente.
• A nivel poblacional, detectar subgrupos con trayectorias de salud similares para orientar campañas de prevención y asignación de recursos.
• La limitación central, admitida por los propios equipos que los desarrollaron, es que ninguno demostró todavía que actuar a partir de sus predicciones mejore los resultados clínicos concretos de los pacientes.

Estos cinco sistemas no son directamente comparables: usan bases de datos distintas, criterios de evaluación diferentes y ventanas de tiempo que varían de un estudio a otro. Comparten, sin embargo, esa advertencia común. Un modelo puede acertar que una persona tiene alta probabilidad de desarrollar cierta enfermedad dentro de cinco años, pero si todavía nadie probó que adelantar un tratamiento en función de ese aviso cambia realmente la evolución, la predicción queda en un terreno intermedio entre la promesa y la herramienta clínica.

Las posibles aplicaciones, según describen los trabajos publicados, son de dos órdenes. En el plano individual, estos sistemas podrían señalar en qué momento del recorrido de un paciente conviene intensificar controles, sumar estudios o iniciar una conducta preventiva. En el plano colectivo, permitiría identificar poblaciones con trayectorias de riesgo parecidas para diseñar campañas más afinadas. Lo que la evidencia todavía no muestra es que esos usos, llevados a la práctica, se traduzcan en vidas salvadas o enfermedades evitadas.

Por eso, mientras los modelos siguen afinando su capacidad de leer esa carpeta desordenada que cada uno lleva dentro del sistema de salud, la pregunta de fondo no es solo técnica sino profundamente humana: qué estamos dispuestos a hacer con un mapa que todavía no garantiza que cambiar de ruta sirva para llegar mejor. Por ahora, la historia clínica completa, esa sucesión de sobres, recetas y placas guardadas durante años, empieza a ser leída de corrido por una máquina, aunque la decisión final de qué hacer con esa lectura siga siendo, como siempre, de las personas.