Un historial clínico reúne análisis de sangre, recetas, diagnósticos e imágenes que, en general, se leen por separado y rara vez como un conjunto. La nueva generación de modelos de inteligencia artificial apunta a cambiar eso: en lugar de analizar un dato aislado, busca convertir todo el recorrido médico de una persona en una secuencia que el sistema pueda procesar y usar para hacer predicciones.

El proceso se llama tokenización del paciente. Consiste en transformar cada evento del historial, un diagnóstico, un resultado de laboratorio, una imagen, una nota médica, en una unidad básica de información ordenada en el tiempo. Al reunir esas piezas, el modelo reconstruye la trayectoria de salud y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.

Cinco sistemas recientes avanzaron en esa dirección. Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades, con datos de casi dos millones de personas provenientes del Biobanco del Reino Unido y registros daneses. Curiosity llevó ese enfoque a una escala mayor: procesó más de 100.000 millones de eventos médicos de más de 100 millones de pacientes. Apollo 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 683.000 personas de tres biobancos, identificando 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.

Estos cinco modelos no son directamente comparables porque usan distintas bases de datos, criterios de evaluación y horizontes temporales. Comparten, sin embargo, una limitación central: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes.

Las posibles aplicaciones son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida se concentra el riesgo de una enfermedad. En el caso del Alzheimer, por ejemplo, no es equivalente un riesgo distribuido durante décadas que uno que se dispara a los 60 años. A nivel poblacional, permitirían buscar trayectorias similares entre millones de historiales, lo que podría ayudar en el diagnóstico de enfermedades poco frecuentes o en la selección de pacientes para ensayos clínicos.

Hay condiciones que los especialistas consideran no negociables antes de cualquier implementación. Los modelos aprenden de registros incompletos, marcados por diferencias de acceso al sistema de salud y por formas desiguales de cargar la información: un dato ausente no siempre significa que el paciente esté sano. Por eso se requiere validación externa, auditoría de los datos que entran y quedan fuera, y evidencia de que el modelo mejora decisiones reales, no solo predicciones estadísticas. El texto en el que se basan estas conclusiones fue publicado en la sección "Digital medicine" de la revista The Lancet, con las firmas del cardiólogo Eric Topol y el investigador Faisal Mahmood.

¿Cambiaría algo en la forma en que cuidás tu salud saber con anticipación qué riesgos tiene más probabilidades de aparecer en tu historial?