La historia clínica completa, pasada por una máquina: la nueva frontera de la inteligencia artificial en medicina

Me senté en uno de los bancos de la plaza de Villa Devoto, bien cerca del centro comercial de la Avenida San Martín, y le pregunté a Don Ernesto, jubilado y eterno concurrente a la farmacia de la esquina, qué pensaba de que una computadora pudiera leer toda su historia clínica de un tirón y decirle a qué enfermedades se expone en los próximos diez años. Ernesto me miró como quien mira un OVNI y dijo: 'Mientras no me cobren extra, que lean lo que quieran'. La pregunta, claro, es mucho más seria de lo que parece.

Durante décadas, un historial clínico fue una carpeta ordenada por fecha: un análisis de sangre acá, una radiografía allá, una receta firmada por el especialista de turno más allá. Cada profesional leía lo suyo y seguía adelante. Una nueva generación de modelos de inteligencia artificial propone algo radicalmente distinto: tomar todo ese recorrido médico, convertirlo en una secuencia única de datos ordenados en el tiempo y procesarlo como si fuera la trama de una novela.

Tokenizar al paciente, la idea central

El procedimiento se conoce como tokenización del paciente. En criollo: cada evento del historial (un diagnóstico, un resultado de laboratorio, una placa, una nota del médico) se transforma en una unidad básica de información que el sistema puede leer. Al juntar esas unidades en orden cronológico, el modelo reconstruye la trayectoria de salud de la persona y calcula cómo van cambiando las probabilidades de enfermarse con el paso del tiempo.

• Delphi-2M: organizó diagnósticos y fechas para estimar 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 la idea 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 médicas a los registros estructurados y trabajó con treinta años de atención acumulada.
• ALADYNOUILLI: incorporó información genética heredada, entrenó con más de 683.000 personas de tres biobancos y detectó patrones de enfermedades que se modifican con la edad.
• AURORA: integró siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, respuesta a tratamientos y salud metabólica.

Los cinco modelos comparten una promesa enorme pero también una limitación enorme. No son directamente comparables, porque cada uno se entrenó con bases de datos distintas, midió cosas distintas y miró horizontes temporales distintos. La coincidencia más importante, y la que preocupa a los especialistas, es otra: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones sirva para mejorar lo que les pasa a los pacientes.

Qué se puede hacer con esto y qué falta probar

A nivel individual, estos sistemas podrían señalar en qué momento de la vida conviene empezar a controlar tal o cual factor de riesgo. A nivel poblacional, podrían ayudar a los sistemas de salud a planificar recursos con mucha más precisión. La contracara es que predecir no es lo mismo que curar: saber que alguien tiene alta probabilidad de desarrollar determinada enfermedad dentro de cinco o diez años no implica que existan intervenciones concretas que, aplicadas a tiempo, cambien ese desenlace. Ese paso, el de probar que actuar vale la pena, todavía está pendiente.

Mientras tanto, en la Ciudad de Buenos Aires, donde millones de personas atendemos en hospitales y obras sociales con sistemas que a veces ni se hablan entre sí, la pregunta queda dando vueltas. Le pido al Ministerio de Salud porteño que se siente con los equipos que desarrollan estas herramientas, que exija ensayos clínicos serios antes de cualquier implementación y, sobre todo, que garantice que la historia clínica de cada vecino no termine convertida en insumo de un modelo sin reglas claras ni consentimiento de quienes la escribimos con el cuerpo.