La historia clínica completa, convertida en mapa: cómo la inteligencia artificial aprende a leer el recorrido de salud de cada paciente

La verdad es que el calor de estas semanas pegaba fuerte en la vereda, ese calor porteño que se queda adherido a la pared y no se va ni cuando cae el sol, y en la redacción me llegó una noticia que me dejó pensando un rato largo mientras miraba el río desde la ventana. Resulta que hay una nueva camada de sistemas de inteligencia artificial que se propone una tarea ambiciosa: leer la historia clínica entera de una persona, no pedacito por pedacito como hacemos los médicos de toda la vida, sino como si fuera una novela escrita a lo largo de décadas, con sus análisis de sangre, sus recetas, sus placas, sus diagnósticos y sus fechas, todo ordenado en una secuencia que la máquina pueda masticar para intentar adivinar qué enfermedades pueden aparecer en los próximos años. La idea, en criollo, es fascinante y a la vez da un poco de vértigo.

La tokenización del paciente: convertir una vida médica en un idioma que la máquina entienda

El procedimiento técnico tiene un nombre que suena casi poético, le dicen tokenización del paciente, y lo que hace es tomar cada evento del historial, un diagnóstico, un análisis de laboratorio, una imagen, una nota del médico, y convertirlo en una unidad básica de información ubicada en una línea de tiempo. Cuando todas esas piezas se encaran juntas, el modelo reconstruye la trayectoria sanitaria de la persona y va calculando cómo se mueve el riesgo de cada enfermedad a lo largo de los años. Es como si en lugar de mirar una foto médica tomara toda la película y le preguntara al sistema qué escena viene después.

Como me explicaba Beatriz, vecina del barrio de San Cristóbal que trabaja hace veinte años en admisión de un hospital público, los médicos siempre leyeron la historia clínica como una sucesión de capítulos sueltos, el cardiólogo mira lo suyo, el diabetólogo mira lo suyo, el clínico general intenta atar los hilos, y pocas veces alguien tiene la paciencia de leerla entera de punta a punta. Esa lectura integral, que parece tan lógica y tan humana, es justamente lo que estos modelos prometen hacer en segundos, y ahí aparece la primera gran pregunta, che, si la máquina puede ver patrones que el ojo entrenado no alcanza a hilvanar, o si se trata de una promesa más grande que la realidad que todavía puede sostener.

• Delphi-2M trabajó con diagnósticos ordenados en el tiempo y datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses para estimar probabilidades de más de mil enfermedades.
• Curiosity procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes y llevó el enfoque a una escala pocas veces vista en este tipo de estudios.
• Apollo sumó texto clínico e imágenes a los registros estructurados y se entrenó con tres décadas de atención médica acumulada para sumar la lectura visual al recorrido del paciente.
• ALADYNOUILLI incorporó información genética heredada y trabajó con más de seiscientos ochenta y tres mil participantes de tres biobancos, identificando patrones de enfermedad que cambian con la edad.
• AURORA integró siete tipos de datos distintos en más de cuatrocientos veinticinco mil individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Ahora bien, estos cinco modelos no son directamente comparables entre sí, porque cada uno se entrenó con bases distintas, usó criterios de evaluación diferentes y miró horizontes temporales que no siempre coinciden. Comparten, eso sí, una limitación central que los especialistas no se cansan de repetir: hasta ahora ninguno demostró con ensayos clínicos rigurosos que tomar decisiones médicas a partir de sus predicciones mejore de verdad los resultados concretos que les importan a los pacientes, o sea que vivan más, que vivan mejor o que esquiven complicaciones graves.

Las aplicaciones que se vienen son de dos clases bien distintas. En el plano individual, estos sistemas podrían señalar en qué momento del recorrido de salud de una persona conviene intensificar controles, empezar un tratamiento antes o cambiar un hábito, una suerte de alerta temprana personalizada. En el plano colectivo, permitiría a los sistemas de salud planificar recursos con años de anticipación, detectar poblaciones con riesgo creciente y anticipar picos de demanda de determinadas prestaciones. La promesa, como se ve, es enorme, pero también lo es la cautela que piden los investigadores, porque predecir no es lo mismo que curar, y un mapa muy detallado del recorrido de una enfermedad no garantiza todavía que sepamos qué hacer cuando el mapa nos marque una tormenta que se viene.

En definitiva, lo que está cambiando es la escala de la mirada médica, pasamos del expediente en papel que se guarda en un consultorio a una lectura computacional que puede abarcar décadas y millones de pacientes al mismo tiempo, y eso modifica de raíz la manera en que la medicina entiende su propia materia prima, que al fin y al cabo es la historia escrita del cuerpo de cada uno de nosotros. Como le decía a Beatriz mientras nos despedíamos en la puerta de la redacción, con la promesa de seguir el tema de cerca en los próximos meses, esta tecnología todavía no tiene respuesta para la pregunta más importante que se hace cualquier paciente cuando se sienta frente al médico, que es qué va a pasar conmigo y qué puedo hacer hoy, y mientras esa respuesta no llegue del lado de los resultados clínicos concretos, todo lo demás seguirá siendo, como decimos los argentinos, una promesa de buen tiempo que todavía no terminó de llegar.