La historia clínica entera, traducida a un idioma que la inteligencia artificial sí puede leer

Acá, en la redacción, cuando uno revisa una historia clínica lo que encuentra es un rompecabezas: análisis de sangre por acá, una receta por allá, un estudio de imagen guardado en otra carpeta, una nota del médico escrita a mano en la esquina de un papel. Casi nunca se lee como un todo. Y sin embargo ese todo, ese recorrido completo, es probablemente la foto más fiel de cómo viene una persona por dentro. Lo que hace un rato suena a novedad recién salida del horno es que ahora hay sistemas de inteligencia artificial que se proponen justamente eso: tomar ese historial clínico completo, con sus análisis, sus recetas, sus diagnósticos y sus fechas, y convertirlo en una secuencia que el modelo pueda procesar, entender y usar para anticipar qué enfermedades pueden aparecer con los años.

De la historia clínica a una secuencia

El procedimiento tiene un nombre técnico, tokenización del paciente, y la idea de fondo es bastante intuitiva. Cada evento del historial, un diagnóstico, un valor de laboratorio, una tomografía, una nota del profesional, se transforma en una unidad básica de información que se ordena en el tiempo. Después, todas esas piezas se encaran como si fueran palabras de una frase larga: el modelo lee la trayectoria de salud completa y a partir de ahí estima cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. La diferencia con lo que se hacía hasta ahora es que en lugar de mirar un dato aislado se mira el relato entero.

Cinco modelos que ya están en carrera

• 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 ese enfoque a una escala mucho mayor: 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 de enfermedad 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.

Ahora, antes de dejarse llevar por el entusiasmo, vale la pena poner los pies sobre la tierra. Estos cinco modelos no son directamente comparables entre sí porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que tampoco coinciden. Comparten, eso sí, una limitación central que los propios investigadores subrayan: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones sirva para mejorar los resultados concretos de los pacientes. Anticipar un riesgo es una cosa, evitar que ese riesgo se concrete es otra muy distinta, y por ahora no hay evidencia clínica robusta de que estos sistemas logren ese segundo paso.

Las aplicaciones que se imaginan son de dos tipos y conviene tenerlas a la vista. A nivel individual, en la consulta del médico de cabecera del barrio, estos sistemas podrían indicar en qué momento de la vida conviene intensificar controles, qué estudios pedir antes de que aparezca un síntoma y a qué prestar atención cuando todavía no duele nada. A nivel de salud pública, podrían ayudar a planificar recursos, prever picos de demanda y diseñar campañas de prevención más afinadas. La promesa es enorme, pero como me decía esta mañana un médico con el que charlé mientras esperaba el colectivo, acá lo que falta es la parte más difícil de cualquier innovación en salud: demostrar que efectivamente salva vidas, y eso, por ahora, nadie lo pudo probar.