Arrancamos esta nota con el calor pegando en la nuca, el viento zonda que no afloja y la vereda del hospital todavía tibia a las ocho de la tarde, porque es justo en ese momento del día, cuando la gente sale de un consultorio con un estudio bajo el brazo y la cabeza llena de dudas, donde la pregunta que mueve todo esto se vuelve más concreta: ¿se podría haber previsto lo que le acaban de decir? La respuesta, al menos en el mundo de los papers y los laboratorios, empieza a tomar forma. Un puñado de sistemas de inteligencia artificial entrenados con el historial clínico completo de millones de personas ya logra estimar, con años de anticipación, la probabilidad de que alguien enferme. Lo que todavía nadie pudo probar es si eso, en la práctica, sirve para que a esos pacientes les vaya mejor.

De la ficha suelta a la historia como una película

La idea de base es sencilla de explicar y profunda de fondo. En lugar de mirar cada análisis, cada receta o cada diagnóstico como un dato aislado, esta nueva generación de modelos toma todo el recorrido médico de una persona, lo ordena en el tiempo y lo convierte en una secuencia que la máquina puede leer de corrido. A ese proceso los técnicos lo llaman tokenización del paciente: cada evento, una internación, un resultado de laboratorio, una imagen, una nota médica, pasa a ser una unidad de información que el sistema encastra en una línea temporal. El resultado, si funciona, es menos como una ficha clínica y más como una película: se ve hacia dónde va el riesgo.

Acá, donde el lector vive y se atiende, lo que cambia es el enfoque. Hoy, un médico bueno y atento lee la historia clínica de un paciente y suma su ojo clínico. Estos sistemas proponen hacer eso, pero con una cantidad de antecedentes y de combinaciones que ningún humano podría revisar solo. La promesa es enorme, y por eso mismo los propios investigadores que los desarrollaron salen a ponerle freno a la ilusión.

Cinco modelos, cinco apuestas distintas

• Delphi-2M trabajó con diagnósticos ordenados en el tiempo y datos de casi dos millones de personas, en su mayoría del Biobanco del Reino Unido y de registros daneses, para estimar el riesgo de más de mil enfermedades.
• Curiosity llevó la idea a una escala inédita: procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes.
• Apollo sumó texto clínico e imágenes a los registros numéricos y se entrenó con tres décadas de atención acumulada.
• ALADYNOUILLI le agregó información genética heredada y trabajó con más de 683.000 personas de tres biobancos, buscando 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.

Lo que todavía nadie pudo demostrar

Acá aparece el punto donde los especialistas piden pisar con cuidado, y donde esta nota también frena un cambio de aire. Estos cinco sistemas no se pueden comparar cabeza a cabeza: usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que van de meses a décadas. Comparten, eso sí, una limitación central que los propios papers reconocen, y que cualquier clínico con dos dedos de frente repite en el pasillo del hospital, y es que todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Predecir, en medicina, no es lo mismo que curar ni que prevenir: hace falta el paso siguiente, el ensayo que muestre que actuar sobre esa predicción cambia la historia natural de la enfermedad, y ese paso, por ahora, no está.

“Estos modelos leen el pasado con una precisión enorme, pero todavía no probaron que anticipar sirva para que al paciente le vaya mejor. La distancia entre ver venir una enfermedad y evitar que pase es, por ahora, un terreno en construcción.”especialistas consultados sobre los cinco desarrollos