Elena vive en un paraje rural de Tucumán y desde hace más de una década arrastra una carpeta llena de análisis de sangre, recetas, estudios por imágenes y resúmenes de consultorio. Cada profesional que la atendió leyó ese material por separado, en su propio turno, sin tener a la vista el panorama completo de lo que le venía ocurriendo al cuerpo. Esa fragmentación del historial clínico, que en la Argentina y en el mundo se repite paciente por paciente, es exactamente lo que viene a alterar una nueva camada de sistemas de inteligencia artificial entrenados para leer, en conjunto, toda la historia médica de una persona y estimar con años de anticipación qué enfermedades podrían aparecer.

El dato oficial que mueve esta conversación es reciente y de alcance global: cinco desarrollos publicados en los últimos meses procesaron historiales clínicos completos, desde análisis de laboratorio y diagnósticos hasta notas médicas e imágenes, y mostraron capacidad para anticipar la aparición de más de mil enfermedades. Las bases con las que fueron entrenados van desde unos 683 mil pacientes hasta más de 100 millones, y en todos los casos el punto de partida fue el mismo, convertir cada evento médico, cada fecha y cada estudio en una pieza ordenada en el tiempo que el modelo pudiera interpretar.

Cómo se tokeniza la vida clínica de una persona

El mecanismo se conoce como tokenización del paciente y consiste, en pocas palabras, en transformar cada dato de la historia clínica, un diagnóstico, un valor de laboratorio, una placa, una receta, en una unidad básica de información ubicada en una línea temporal. Cuando esas unidades se encadenan, el modelo reconstruye la trayectoria de salud y puede calcular cómo evoluciona el riesgo de cada enfermedad a lo largo de los años, algo que hasta ahora quedaba reservado al ojo humano, con toda la dispersión que eso implica en la práctica cotidiana.

• Delphi-2M organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil enfermedades, con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó ese enfoque a una escala muy superior y procesó más de 100 mil millones de eventos médicos correspondientes a más de 100 millones de pacientes.
• Apollo sumó texto clínico e imágenes a los registros estructurados y se entrenó con tres décadas de atención acumulada, abriendo la puerta a combinar lo numérico con lo narrativo.
• ALADYNOUILLI incorporó información genética heredada y trabajó con más de 683 mil personas de tres biobancos, identificando 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.

Los cinco modelos, vale aclararlo, no son directamente comparables porque se entrenaron con bases de datos distintas, usaron criterios de evaluación diferentes y miraron horizontes temporales que tampoco coinciden. Comparten, sin embargo, una limitación central que los propios investigadores subrayan en sus papers: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones, desde indicar un estudio hasta cambiar un tratamiento, mejore de manera concreta los resultados de salud de los pacientes. Anticipar el riesgo es un paso enorme; demostrar que actuar sobre esa predicción modifica la historia clínica es el siguiente, y todavía está pendiente.

Posibles aplicaciones, beneficios esperados y cautela

A nivel individual, estos sistemas podrían señalar en qué momento de la vida conviene profundizar controles en personas como Elena, agrupar toda su información dispersa y sugerirle al equipo médico qué controles priorizar en los próximos años. A nivel poblacional, podrían ayudar a planificar recursos en hospitales y obras sociales, identificando comunidades con mayor carga de determinadas enfermedades. En ambos casos, los especialistas insisten en que la promesa es enorme, pero todavía no se sostiene con evidencia clínica suficiente como para incorporarla de manera masiva a la práctica diaria, y remarcan la necesidad de estudios que prueben que estas predicciones, cuando se usan, se traducen en mejores tratamientos y en más años de vida con buena salud.

Para quienes quieran interiorizarse en el tema, los trabajos originales pueden consultarse en las publicaciones científicas donde aparecieron los cinco modelos, en general accesibles a través de los sitios de las revistas y de los repositorios de preprints. En la Argentina, el debate sobre inteligencia artificial aplicada a salud se canaliza principalmente a través de la Sociedad Argentina de Informática en Salud, que suele organizar encuentros y mesas de trabajo durante todo el año, y de las facultades de medicina de las universidades públicas, donde funcionan grupos de investigación abiertos a consultas de la comunidad en horarios de oficina de lunes a viernes.