La historia clínica como una novela que la inteligencia artificial aprende a leer entera

Lo conocí a Roberto hace unos meses, en una sala de espera de un hospital público del norte argentino. Tiene 52 años, dos trabajos, y una carpeta de estudios que arrastra desde los treinta. Cada vez que le toca un turno, arranca de nuevo: le repiten análisis, le preguntan qué le hicieron hace seis años, le piden que recuerde fechas que se le mezclan con las del trabajo y las de los chicos. Desde el interior, esa es la realidad cotidiana de millones de pacientes: la historia clínica existe, pero vive fragmentada, en distintos efectores, en distintos papeles, en distintas cabezas.

Ahora imagine que toda esa trayectoria, análisis de sangre, recetas, diagnósticos, imágenes, notas médicas, se pudiera leer como un único libro. Eso es lo que busca una nueva generación de sistemas de inteligencia artificial que toma el historial completo de cada persona y lo convierte en una secuencia ordenada en el tiempo, lista para ser procesada por un modelo. La técnica se llama tokenización del paciente: cada evento médico se transforma en una unidad básica de información y, al encadenarlas, el sistema reconstruye la curva de salud y estima cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años.

Cinco modelos que ya están en carrera

• 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 del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó el enfoque a una escala mayor, con 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.

La diferencia con lo que había hasta ahora es de escala y de enfoque. Hasta no hace mucho, los modelos trabajaban con un dato aislado, una imagen, un laboratorio, una variable genética. Esta nueva camada apunta a leer la novela completa de cada paciente. Y lo hace con volúmenes que hace cinco años parecían imposibles: hablamos de bases que van de 683.000 a más de 100 millones de personas. La brecha por región, sin embargo, es enorme: la enorme mayoría de esos datos proviene de biobancos europeos y estadounidenses. América latina, y dentro de ella la Argentina, aparece apenas como proveedora marginal de información en estos desarrollos.

Hay un dato que los propios papers reconocen y que a mí, como periodista, me parece el más importante: ninguno de estos cinco modelos demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Es decir, pueden anticipar con razonable precisión quién tiene más chances de desarrollar cierta enfermedad en los próximos años. Lo que no probaron es que actuar sobre esa anticipación sirva para algo: que cambie el pronóstico, que evite internaciones, que baje la mortalidad, que mejore la calidad de vida. Anticipar no es lo mismo que curar.

Lo que el sistema de salud todavía no dice

Las posibles aplicaciones son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene intensificar controles, empezar un tratamiento o cambiar una conducta. A nivel de políticas públicas, servirían para planificar recursos, identificar poblaciones de riesgo y distribuir mejor una oferta de salud que en la Argentina, y en buena parte del interior, está lejos de sobra.

Lo que el Estado, las prepagas y los grandes financiadores de salud todavía no dicen con claridad es cómo van a manejar tres cuestiones que esta tecnología pone sobre la mesa. Primera, la confidencialidad de una historia clínica que ahora se vuelveectable, buscable y compartible con un modelo. Segunda, la responsabilidad cuando una predicción acertada o errada termine en una decisión clínica. Tercera, y acaso la más sensible: quién accede a esa anticipación y con qué criterio, en sistemas donde la cobertura ya discrimina por bolsillo, por geografia y por nivel de informacion. La promesa es potente. La rendicion de cuentas, por ahora, llega con delay.