Un análisis de sangre, una receta, una imagen y un diagnóstico suelen llegar al equipo médico como piezas separadas. Una nueva generación de sistemas de inteligencia artificial intenta leerlas juntas, en el orden en que ocurrieron, para reconstruir la trayectoria de salud de cada persona y estimar qué enfermedades podrían aparecer en el futuro.

La estrategia se conoce como tokenización del paciente. Cada evento del historial clínico se convierte en una unidad de información ordenada cronológicamente. Así, el modelo puede analizar una secuencia que incluye diagnósticos, resultados de laboratorio, imágenes, notas médicas y datos genéticos, en lugar de evaluar solamente un dato aislado.

Cinco modelos, una misma ambición

• Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades. Fue entrenado con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity procesó más de 100.000 millones de eventos médicos correspondientes a más de 100 millones de pacientes.
• Apollo combinó texto clínico, imágenes y registros estructurados, y trabajó con tres décadas de atención acumulada.
• ALADYNOUILLI agregó información genética heredada y utilizó datos de más de 683.000 personas pertenecientes a tres biobancos. También identificó patrones de enfermedades que cambian con la edad.
• AURORA integró siete tipos de datos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Los cinco modelos fueron desarrollados con bases de datos, criterios de evaluación y horizontes temporales diferentes, por lo que no pueden compararse de manera directa. Aun así, todos comparten una limitación decisiva: hasta ahora ninguno demostró que actuar a partir de sus predicciones produzca mejores resultados clínicos para los pacientes.

La utilidad potencial aparece en dos niveles. En el plano individual, estos sistemas podrían señalar en qué momento una persona tiene más riesgo de desarrollar una enfermedad y cuándo convendría evaluar medidas de prevención o seguimiento. A escala poblacional, podrían ayudar a estudiar la evolución de los riesgos en grandes grupos, detectar patrones y orientar la investigación. Pero una predicción precisa no equivale por sí sola a una mejor decisión médica ni a un tratamiento más eficaz. Por eso, el paso siguiente no es solamente mejorar los modelos, sino comprobar, en la práctica clínica, si sus alertas cambian decisiones y terminan beneficiando a los pacientes.