La historia clínica completa, convertida en mapa de riesgos: cinco modelos de IA que miran toda la vida del paciente

Llegué al consultorio de Graciela, 58 años, con la carpeta marrón sobre el mostrador y la sensación de que cada hoja era un capítulo suelto. Un análisis de 2019, una placa de 2022, una receta del 2024, una interconsulta con letra apretada. Ella me dijo, mientras firmaba el consentimiento para una cirugía menor, que nunca nadie le había leído todo junto. Esa escena, que se repite en cualquier sala de espera del país, es exactamente el problema que pretende resolver una nueva camada de modelos de inteligencia artificial aplicada a la medicina: en lugar de mirar un dato aislado, leer la historia clínica entera como si fuera una novela y anticipar lo que puede pasar en los próximos capítulos.

De la ficha suelta a la línea de tiempo del paciente

El concepto que ordena este avance tiene un nombre técnico, tokenización del paciente, y la traducción cotidiana es bastante simple. Cada evento médico, un diagnóstico, un valor de laboratorio, una imagen, una receta, una nota clínica, se transforma en una unidad de información ordenada en el tiempo. Cuando todas esas unidades se enchufan en una secuencia, el modelo reconstruye la trayectoria de salud de una persona y puede estimar cómo cambia el riesgo de cada enfermedad a medida que pasan los años. Lo que durante décadas fue un archivo desordenado empieza a parecerse a una línea de tiempo que la máquina puede leer.

• Delphi-2M trabajó con diagnósticos ordenados en el tiempo y calculó la probabilidad de más de 1.000 enfermedades. Se entrenó con casi dos millones de personas del Biobanco del Reino Unido y registros daneses.
• Curiosity procesó más de 100.000 millones de eventos médicos de más de 100 millones de pacientes, llevando el enfoque a una escala masiva.
• 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 683.000 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.

Lo que estos modelos prometen y lo que todavía no

Las posibles aplicaciones son de dos tipos y vale la pena distinguirlas. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona tiene más chances de desarrollar determinada enfermedad y permitir, en teoría, controles más enfocados, cambios de hábitos o tratamientos preventivos. A nivel de salud pública, la misma información agregada podría ayudar a planificar recursos, predecir picos de demanda y diseñar campañas más precisas.

Sin embargo, los propios investigadores aclaran una limitación central que atraviesa a los cinco desarrollos: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore resultados concretos de los pacientes. Saber con años de anticipación que alguien puede tener cáncer o un infarto es una promesa enorme, pero falta la prueba de que actuar sobre esa advertencia cambie realmente el pronóstico. Hasta que esa evidencia aparezca, estos modelos funcionan como brújulas sofisticadas, no como tratamientos.

Cuando salí del consultorio, Graciela me pidió que le contara cómo seguía todo. Le expliqué, con la mayor claridad que pude, que la tecnología existe, que avanza rápido, pero que la última palabra la siguen teniendo los médicos que la atienden y ella misma. Antes de cerrar la puerta, me regaló una frase que me quedó dando vueltas: «Ojalá alguien, alguna vez, lea todo esto junto». Por ahora, en algún servidor del mundo, cinco modelos distintos están empezando a hacerlo.