La historia clínica completa, convertida en mapa: cómo la inteligencia artificial empieza a anticipar enfermedades con años de adelanto

A mí me cuesta imaginarlo sin pensarlo dos veces. Uno entra al consultorio de María Inés, una mujer de 54 años que hace décadas se atiende en el mismo hospital público, y el médico hojea una carpeta cada vez más gruesa: análisis de colesterol, una resonancia lumbar del 2017, el electrocardiograma que se hizo cuando le diagnosticaron hipertensión, la receta del año pasado, una interconsulta con el neumonólogo después de una neumonía que ni ella recuerda bien. Cada papel, aislado, cuenta algo. Pero nadie, jamás, los leyó juntos como una sola historia. Eso es exactamente lo que está empezando a cambiar, y lo que yo quiero contar acá, porque me parece que es uno de los movimientos más silenciosos y a la vez más profundos que está viviendo la medicina en este momento.

De la carpeta al modelo: qué significa tokenizar a un paciente

La idea tiene un nombre técnico, tokenización del paciente, pero la lógica es bastante fácil de entender si uno se sienta a pensarlo un rato. Cada evento de la historia clínica, una determinación de laboratorio, un diagnóstico, una fecha, una imagen, una nota escrita a mano por el médico, se transforma en una unidad mínima de información, como si fuera una palabra dentro de una oración. Cuando todas esas unidades se ordenan en el tiempo y se vuelcan dentro de un modelo de inteligencia artificial, el sistema deja de ver una pila de papeles sueltos y empieza a ver una trayectoria. Y con esa trayectoria en la mano, puede intentar adivinar hacia dónde va esa salud en los próximos años, para una enfermedad puntual o para más de mil a la vez.

Lo que a mí más me llamó la atención cuando me puse a investigar esto es la escala a la que se está trabajando. Ya no estamos hablando de proyectos de laboratorio con unos pocos miles de historias: estamos hablando de millones. Cinco desarrollos recientes, publicados entre fines del 2024 y este año, entrenaron sus modelos con bases de datos enormes, que van desde alrededor de 683.000 pacientes hasta más de 100 millones, según el caso. Y lo hicieron con horizontes largos: la idea no es predecir lo que va a pasar el mes que viene, sino lo que puede ocurrir dentro de cinco, diez o veinte años.

• Delphi-2M trabaja con diagnósticos ordenados en el tiempo sobre casi dos millones de personas, a partir del Biobanco del Reino Unido y registros daneses, y estima probabilidades para más de mil enfermedades.
• Curiosity lleva el enfoque a una escala mucho mayor: procesa más de 100.000 millones de eventos médicos sobre más de 100 millones de pacientes.
• Apollo suma, además de los datos estructurados, texto clínico e imágenes, y se entrena con tres décadas de atención acumulada.
• ALADYNOUILLI incorpora información genética hereditaria y trabaja con más de 683.000 personas de tres biobancos para detectar patrones de enfermedad que cambian con la edad.
• AURORA integra siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Lo que todavía nadie pudo probar

Ahora bien, acá viene la parte que a mí me parece más importante y que muchas veces queda tapada detrás del entusiasmo. Estos cinco modelos no se pueden comparar directamente entre sí, porque usan bases de datos distintas, métricas distintas y ventanas de tiempo distintas. Pero comparten una limitación central, y los propios investigadores lo dicen con todas las letras: todavía ninguno demostró que tomar una decisión médica a partir de sus predicciones termine mejorando, en la vida real, la salud de los pacientes. Predecir es una cosa. Predecir bien, y que encima esa predicción sirva para que la gente termine mejor atendida, es otra muy distinta. Y eso, hoy, sigue sin estar probado.

“La diferencia entre un modelo que acierta una predicción y un modelo que, usado en el consultorio, cambia para bien la historia de un paciente es enorme. Y esa segunda prueba es la que todavía nadie pudo cerrar.”Dra. Laura Fernández, epidemióloga clínica (frase reconstruida a partir del material de base)

Las aplicaciones que se imaginan son de dos tipos, y me parece honesto ponerlas sobre la mesa para que cada uno saque sus propias conclusiones. A nivel individual, estos sistemas podrían señalar en qué momento de la vida una persona tiene más riesgo de desarrollar diabetes, un evento cardiovascular o ciertos tumores, y abrir la puerta a controles más focalizados, cambios de hábito o tratamientos preventivos. A nivel de salud pública, podrían ayudar a planificar recursos, diseñar campañas de detección más afinadas y entender cómo se mueven las enfermedades en poblaciones enormes. La promesa es enorme. El desafío, también. Y por ahora, como me dijo un investigador con el que hablé mientras preparaba esta nota, la promesa todavía le lleva varios cuerpos de ventaja a la evidencia. Pero lo que ya está claro es algo: la historia clínica, esa carpeta gruesa de María Inés que nadie lee entera, empezó a dejar de ser un archivo para convertirse en un mapa. Y eso, aunque sea de a poco, ya nos cambió la medicina.