A mí, que vengo siguiendo estos temas desde hace años, lo que más me sorprendió es la idea de base: ya no se trata de mirar un análisis de sangre suelto o una radiografía aislada, como hacíamos toda la vida en cualquier sala de espera del barrio. La nueva generación de sistemas de inteligencia artificial apunta a leer la historia clínica entera, cada análisis, cada receta, cada diagnóstico, cada imagen y cada fecha, como si fuera una sola frase larga. Y a partir de ahí, intentar predecir qué enfermedades puede desarrollar una persona con años de antelación.

Tokenizar al paciente, la idea central

El procedimiento que está en el centro de todo se llama tokenización del paciente. Suena técnico, pero la traducción es bastante terrenal: cada evento del historial, un diagnóstico, un resultado de laboratorio, una imagen, una nota del médico, se convierte en una unidad básica de información ordenada en el tiempo. Cuando esas unidades se encaran, el modelo reconstruye la trayectoria de salud y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años. En lugar de ver una foto, empieza a leer una película.

• Delphi-2M: ordenó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó ese enfoque a una escala mucho mayor, con más de cien mil millones de eventos médicos de más de cien 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 comparables cabeza a cabeza, porque usan bases de datos, criterios de evaluación y horizontes temporales diferentes. Pero comparten, y acá viene lo que a mí más me preocupa como ciudadana de a pie, una limitación central que no puede quedar afuera del debate: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Saber que alguien tiene alta probabilidad de caer enfermo dentro de una década no es lo mismo que haber demostrado que hacer algo con esa información sirve, efectivamente, para que esa persona viva más o mejor.

Lo que ya se puede avizorar y lo que sigue faltando

Las posibles aplicaciones son de dos tipos, y vale la pena marcarlas. A nivel individual, estos sistemas podrían indicar en qué momento de la vida una persona empieza a tener más riesgo de desarrollar diabetes, un problema cardíaco o ciertos tipos de cáncer, y orientar controles y chequeos con mucha más precisión que los calendarios generales que se usan hoy. A nivel de políticas públicas, permitiría planificar campañas, recursos y turnos en centros de salud de barrios como los nuestros con una anticipación impensada hasta hace poco.

Mientras tanto, lo que sigue faltando es, justamente, lo más importante: ensayos clínicos serios que prueben que una intervención decidida a partir de estas predicciones cambia la historia del paciente. También faltan reglas claras sobre privacidad, sobre quién es dueño de esos historiales tokenizados y sobre cómo se controla que un algoritmo no termine decidiendo, sin que nadie lo admita, a quién se atiende primero y a quién se deja para después. La promesa es enorme, pero la prueba todavía no llegó. Y mientras la prueba no llegue, más vale caminar con prudencia.