La historia clínica entera como mapa del futuro: cinco inteligencias artificiales que ya leen todo tu pasado médico para anticipar lo que viene

Acá en la cocina de cualquier casa de la cuenca, mientras se sirve el mate de la mañana, muchas veces uno se entera de que un vecino fue al médico y le encontraron algo en un análisis de sangre que ni sospechaba. Esa lógica, la del dato aislado que aparece de golpe, es justo la que un grupo de investigadores de Europa y Estados Unidos está tratando de cambiar con una nueva generación de inteligencias artificiales que, en lugar de mirar un solo número, leen la historia clínica completa de una persona como si fuera una novela larga, ordenada capítulo por capítulo, para tratar de anticipar qué enfermedad puede aparecer en los próximos años. Lo que nosotros les contamos acá es qué hay detrás de esa movida y por qué, aunque el avance suena a película de ciencia ficción, todavía hay que tomarlo con calma.

De qué se trata la tokenización del paciente

La técnica que está en el centro de estos desarrollos tiene un nombre bastante técnico pero la idea se entiende rápido: se llama tokenización del paciente y consiste, básicamente, en transformar cada evento del historial médico, ya sea un diagnóstico, un resultado de laboratorio, una imagen, una receta o una nota del profesional, en una unidad básica de información que queda ordenada en el tiempo. Cuando el sistema junta todas esas piezas, lo que obtiene es una secuencia completa de la trayectoria de salud de una persona, algo así como una línea de tiempo donde cada punto es un control, una enfermedad, un estudio, un tratamiento. Sobre esa línea, el modelo calcula probabilidades y puede estimar cómo evoluciona el riesgo de distintas dolencias a lo largo de los años, no solo de una en una sino mirando el conjunto.

• Delphi-2M: trabaja con diagnósticos y la secuencia temporal en la que ocurrieron. Fue entrenado con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses, y calcula probabilidades para más de mil enfermedades.
• Curiosity: llevó esa misma idea a una escala mucho más grande. Procesó más de 100.000 millones de eventos médicos de más de 100 millones de pacientes.
• Apollo: le agregó al modelo texto clínico e imágenes, además de los registros estructurados de toda la vida, y fue entrenado con tres décadas de atención acumulada.
• ALADYNOUILLI: incorporó información genética heredada y se entrenó con más de 683.000 personas de tres biobancos. Entre otras cosas, identifica patrones de enfermedad que cambian con la edad.
• AURORA: integró siete tipos de datos distintos en más de 425.000 individuos y se orienta al estudio del envejecimiento, la salud metabólica y la respuesta a tratamientos.

Por qué los médicos piden pisar con freno

Acá viene el dato que a mí, como periodista que sigue estos temas hace años, me parece clave y que muchas veces queda afuera de los títulos celebratorios: estos cinco modelos no son comparables entre sí porque usan bases de datos, criterios de evaluación y horizontes temporales distintos. Y hay una limitación que comparten todos, que es la que más preocupa a los especialistas consultados: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones sirva para mejorar de manera concreta los resultados de los pacientes. Es decir, pueden anticipar con bastante precisión estadística quién tiene más chances de enfermarse, pero todavía no hay evidencia clínica robusta de que intervenir sobre esa predicción cambie el destino de esa persona. Es como tener un mapa del clima que te dice con alta probabilidad que va a llover en tres meses: saberlo no garantiza que uno se acuerde de llevar paraguas cuando llegue el día.

Para qué podría servir, en el consultorio y en el sistema de salud

Las aplicaciones que se avizoran son de dos tipos y vale la pena pensarlas por separado. A nivel individual, estos sistemas podrían indicarle al médico en qué momento del recorrido de su paciente conviene profundizar estudios, repetir un control o prestar más atención a un marcador que antes pasaba desapercibido. A nivel de políticas sanitarias, la promesa es todavía más ambiciosa: cruzar el recorrido de millones de historias clínicas permitiría planificar recursos, prever picos de demanda y diseñar campañas de prevención mucho más afinadas que las actuales. Marta Del Piano, médica clínica de 52 años que atiende en un centro de salud de la zona norte de la cuenca y con quien charlamos mientras tomábamos un café, lo resumió con una frase que me quedó dando vueltas: "A mí me sirve que me marquen un riesgo, pero lo que necesito es que me digan qué hago con eso. Hoy por hoy, estos sistemas me avisan pero todavía no me dan el manual de instrucciones".

Nosotros, que seguimos estos temas desde el portal, vamos a quedar atentos a cuándo aparece el primer estudio clínico serio que muestre que actuar a tiempo sobre estas predicciones cambia la historia de un paciente. Mientras tanto, lo más prudente es mirar estos modelos como una herramienta promisoria que todavía está dando sus primeros pasos, no como un oráculo que ya sabe lo que nos va a pasar. Como le dije a Marta antes de despedirnos, en esa cocina donde arrancamos la charla, lo importante es no confundir saber con haber resuelto.