Cuando la historia clínica entera se vuelve una predicción: la inteligencia artificial que lee toda tu vida médica para anticipar lo que viene

Soy Griselda Villavicencio y arranco esta nota como me gusta arrancar las cosas: contando cómo llegué hasta acá. Fue en una charla con varios médicos y desarrolladores que organiza cada año la Sociedad Argentina de Investigación Clínica, en un salón de Congreso, en el barrio de Once, donde alguien mostró en una pantalla una línea de tiempo con diagnósticos, análisis, recetas y fechas de una misma persona, y dijo que esa línea podía usarse para predecir enfermedades que todavía no habían aparecido. Desde ese día me quedó dando vueltas la idea de que el historial clínico, ese que solemos llevar doblado en un folio y que casi nadie lee de punta a punta, se está convirtiendo en la materia prima de una nueva camada de herramientas de inteligencia artificial.

De qué se trata la tokenización del paciente

La técnica que está en el centro de todo esto se llama tokenización del paciente y, en criollo, significa convertir cada evento del historial médico de una persona en una unidad de información ordenada en el tiempo. Un diagnóstico, un resultado de laboratorio, una placa, una nota del médico, una fecha de internación, todo eso se transforma en una pieza que el modelo puede leer junto con las demás. Cuando el sistema junta esas piezas, arma algo parecido a una biografía clínica y, sobre esa biografía, calcula probabilidades de enfermarse a futuro. Es como pasar de leer un capítulo suelto de una novela a leer la novela entera para adivinar cómo sigue.

Los desarrollos más recientes compartidos en publicaciones especializadas muestran que esta idea dejó de ser una curiosidad de laboratorio. Delphi-2M, por ejemplo, organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil enfermedades con datos de casi dos millones de personas, tomadas del Biobanco del Reino Unido y de registros daneses. Curiosity llevó el enfoque a una escala mucho más grande: procesó más de 100 mil millones de eventos médicos de más de 100 millones de pacientes. Apollo, en tanto, le 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 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.

Lo que estos modelos prometen y lo que todavía no probaron

• A nivel individual, podrían señalar en qué momento de la vida conviene hacer un control, un estudio o un cambio de hábito antes de que aparezca un problema serio.
• A nivel de salud pública, permitirían a los sistemas sanitarios anticipar picos de demanda y planificar recursos con años de anticipación.
• Como punto crítico, ninguno de los cinco modelos demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes.

Sobre esa última cuestión consulté a Rodrigo Fernández, médico clínico y docente de la Facultad de Medicina de la Universidad de Buenos Aires, que sigue de cerca estos desarrollos y me dijo, con una frase que me quedó resonando, que predecir no es lo mismo que prevenir: una cosa es que un sistema te diga que en los próximos cinco años hay chances altas de un infarto, y otra muy distinta es que tomar medidas a partir de ese aviso termine evitando el infarto, y eso último todavía no se vio probado en ningún ensayo clínico serio. Por eso, mientras la tecnología avanza a pasos enormes, el mensaje de los especialistas es uno solo y lo resumo así: la promesa es enorme, los datos son enormes, pero todavía falta demostrar que esa enorme cantidad de información sirva, en la práctica, para que la gente viva más y mejor.