A mí me gusta pensar en la historia clínica como en una novela escrita a lo largo de décadas, con capítulos que a veces se repiten, que a veces se contradicen y que casi nunca se leen de un tirón, porque los distintos médicos que van atendiendo a una persona suelen mirar solamente el tramo que les toca. Ahora, lo que está empezando a cambiar es justamente eso, la lectura de corrido, y para eso aparece una camada de sistemas de inteligencia artificial que toma cada análisis de sangre, cada receta, cada imagen y cada diagnóstico y lo ordena en el tiempo para intentar adivinar qué puede pasarle a ese paciente dentro de cinco, diez o veinte años.

Una idea simple y a la vez enorme: convertir la vida clínica en una secuencia

A ese proceso los técnicos lo llaman tokenización del paciente, que viene a ser algo así como cortar la historia en pedacitos chiquitos, uno por cada evento médico, y después armar con todos ellos una especie de fila ordenada de la cual la inteligencia artificial aprende patrones, detecta señales que al ojo humano se le pasarían por alto y termina calculando probabilidades de enfermedad hacia adelante. Lo que tenemos enfrente ya no es un programa que mira un único valor de laboratorio, sino un sistema que ingiere, en algunos casos, literalmente décadas de atención acumulada y devuelve un mapa de riesgo mucho más amplio.

• Delphi-2M trabaja con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses, y predice la probabilidad de más de mil enfermedades ordenadas en el tiempo.
• Curiosity escala esa idea hasta procesar más de cien mil millones de eventos médicos de más de cien millones de pacientes.
• Apollo le agrega a los datos estructurados el texto clínico y las imágenes, y se entrena con tres décadas de atención consecutiva.
• ALADYNOUILLI suma información genética heredada y se entrena con más de seiscientos ochenta y tres mil personas de tres biobancos, identificando patrones que cambian con la edad.
• AURORA cruza siete tipos de datos distintos en más de cuatrocientos veinticinco mil individuos para estudiar envejecimiento, metabolismo y respuesta a tratamientos.

Lo que todavía falta, y es nada menos que lo más importante

Yo quiero ser honesta con quien esté leyendo: estos cinco modelos comparten una limitación central que los propios especialistas subrayan, y es que hasta hoy ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos en la salud de la gente, o sea que todavía no se sabe si anticipar sirve de algo cuando después no cambia lo que se hace. Además no son directamente comparables entre sí, porque cada uno usa bases de datos, criterios de evaluación y horizontes temporales distintos, de modo que por ahora hay que mirarlos como una línea de investigación en expansión y no como una herramienta lista para llegar al consultorio de barrio.

Las aplicaciones que se imaginan son de dos tipos bien marcados, porque a nivel individual estos sistemas podrían indicar en qué momento de la vida una persona empieza a tener más chances de desarrollar determinada enfermedad y permitir actuar antes, mientras que a nivel poblacional ayudarían a los sistemas de salud a planificar recursos, vacunas, campañas de detección y asignación de turnos en función de riesgos estimados, algo que en un país como el nuestro, donde cada decisión de presupuesto pega de lleno en el territorio, no es un detalle menor.

“Anticipar no es todavía curar: lo que falta probar es si cambiar la conducta médica frente a esa predicción termina mejorando la vida del paciente.”Rosana Charole, periodista especializada en salud y tecnología

Así que mientras los laboratorios afinan los números, lo que la comunidad médica y los pacientes le están pidiendo a los desarrolladores y a los reguladores es bastante claro: que se demuestre con estudios clínicos serios que estas predicciones sirven para algo concreto, que se cuide la privacidad de datos de gran sensibilidad y que la herramienta no quede solo en manos de quienes pueden pagarla, porque si la inteligencia artificial aprende a leer toda la historia clínica de una persona, el riesgo de que esa lectura sea desigual es casi tan grande como el beneficio que promete.