La historia clínica entera, traducida a un idioma que las máquinas pueden leer para anticipar lo que viene

Son las siete y pico de la mañana de un lunes y acá estoy, en la redacción, con la pantalla llena de nombres raros que parecen sacados de una película de ciencia ficción: Delphi-2M, Curiosity, Apollo, ALADYNOUILLI, AURORA. Los fui anotando en un papel mientras leía los papers porque la sola repetición ya me generaba un cosquilleo raro, una mezcla de fascinación y de vértigo, porque lo que está pasando en los laboratorios del mundo con la historia clínica de cualquiera de nosotros es algo que, hasta hace cinco años, parecía directamente de otro siglo. La idea es bastante sencilla de contar, incluso cuando la tecnología que hay detrás sea compleja: en lugar de mirar un análisis de sangre suelto, o una resonancia aislada, o un diagnóstico de hace tres años, hay equipos enteros trabajando para que una inteligencia artificial pueda leer toda la historia clínica de una persona, de punta a punta, como si fuera una novela, y usar esa lectura para anticipar qué enfermedades tienen más chances de aparecer en los próximos años.

De un dato suelto a la trayectoria completa de una persona

Para eso, los modelos convierten cada evento médico en una unidad básica de información ordenada en el tiempo: un resultado de laboratorio, una receta, una imagen, una nota del médico. A ese proceso los investigadores lo llaman tokenización del paciente, que no es otra cosa que tomar todo ese recorrido y transformarlo en una secuencia que el sistema pueda procesar, igual que cuando uno lee palabra por palabra. Cuando esas piezas se juntan, el modelo reconstruye la trayectoria de salud y puede ir estimando cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, en lugar de quedarse con la foto de un momento puntual.

Los cinco modelos que están marcando el pulso de esta nueva generación

• Delphi-2M trabaja con diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, y fue entrenado con datos de casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity lleva ese enfoque a una escala enorme: procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes.
• Apollo le suma al texto clínico las imágenes médicas y trabaja con tres décadas de atención acumulada de los pacientes.
• ALADYNOUILLI incorpora información genética heredada y entrenó con más de 683.000 personas de tres biobancos, identificando patrones de enfermedad que cambian con la edad.
• AURORA integra siete tipos de datos distintos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a tratamientos.

Ahora bien, acá viene lo que a mí, como cronista, más me interesa marcar, porque no se trata de una carrera donde estos cinco desarrollos sean directamente comparables: usan bases de datos distintas, criterios de evaluación distintos y horizontes temporales distintos, así que ponerlos en fila uno al lado del otro como si fuera una tabla de posiciones sería, cuando menos, una injusticia. Lo que sí comparten, y esto es lo que los propios investigadores subrayan con bastante claridad, es una limitación central que no es menor: todavía ninguno de los cinco demostró que tomar decisiones médicas a partir de sus predicciones termine mejorando los resultados concretos de los pacientes.

Para qué podría servir, y por qué todavía falta la prueba más importante

Las aplicaciones que se imaginan son de dos tipos, y vale la pena contarlas despacio porque a veces la tecnología llega antes de que terminemos de discutir qué queremos hacer con ella. A nivel individual, estos sistemas podrían llegar a indicar en qué momento de la vida una persona tiene más probabilidades de desarrollar tal o cual enfermedad, con años de anticipación, y eso abriría la puerta a controles más finos y a tratamientos preventivos mucho más afinados. A nivel poblacional, la promesa es todavía más grande: permitiría planificar mejor los recursos de un hospital, de una obra social o de un sistema de salud entero, porque se sabría con bastante certeza qué enfermedades van a pegar más fuerte y en qué franja etaria en los próximos años. Pero la pregunta del millón, la que cualquier médica o cualquier médico con los pies sobre la tierra se va a hacer mirando la pantalla, es si esa predicción, una vez que llega, sirve concretamente para que el paciente termine mejor que si no se hubiera hecho nada. Y esa respuesta, hoy por hoy, todavía no la tiene nadie.

Me quedo pensando en lo rápido que se mueve todo esto y, al mismo tiempo, en lo lento que avanzan las respuestas que de verdad importan: porque entre poder anticipar una enfermedad y demostrar que actuar sobre esa anticipación cambia la historia de alguien hay una distancia enorme, que es la distancia que separa a un paper interesante de una herramienta que de verdad cambie la vida de la gente que va a sentarse en un consultorio.