Cómo la IA puede anticipar riesgos de salud a partir de toda la historia clínica de un paciente

Un historial clínico contiene análisis de sangre, diagnósticos, recetas e imágenes que casi nunca se leen como un conjunto. Actualmente existe un cambio de enfoque: en lugar de predecir una variable aislada, transformar todo el recorrido médico de una persona en una representación computable que la inteligencia artificial pueda leer como una secuencia.

A través de cinco modelos recientes de inteligencia artificial (IA) se plantean sus posibles aplicaciones, límites y condiciones de validación antes de que lleguen a la práctica médica.

Qué es la tokenización del paciente

La tokenización del paciente es la conversión de los datos de una historia clínica en unidades ordenadas que un modelo de inteligencia artificial puede procesar a lo largo del tiempo. En esa secuencia entran diagnósticos, análisis, notas médicas, imágenes, fechas y lapsos entre eventos.

Cada uno de esos elementos se convierte en una pieza básica de información. Al reunirse, esas piezas permiten reconstruir la trayectoria de salud de una persona y usar ese recorrido como base para hacer predicciones o recuperar casos comparables.

El punto central es que estos modelos no miran un dato suelto, como un estudio de laboratorio o una enfermedad puntual. Buscan leer el historial completo como una serie temporal, con la idea de captar cómo se encadenan los eventos de salud a lo largo de los años.

Al mismo tiempo, la historia clínica no es el paciente. Es un registro parcial de sus contactos con el sistema de salud, repartido entre instituciones, consultas y momentos distintos. La tokenización intenta ordenar ese material fragmentado para volverlo utilizable en un solo marco de análisis.

Los cinco modelos de IA

Cinco modelos recientes avanzaron en esa dirección, aunque con métodos y escalas diferentes. El primero es Delphi-2M, que organizó diagnósticos y su secuencia en el tiempo para estimar la probabilidad de más de 1.000 enfermedades a partir de datos del Biobanco del Reino Unido y de registros daneses de casi 2 millones de personas.

El segundo modelo es Curiosity, que llevó esa lógica a una escala mayor. Trabajó con más de 100.000 millones de eventos médicos estructurados provenientes de más de 100 millones de pacientes.

El tercero es Apollo, que sumó distintos tipos de información en un mismo sistema. Además de eventos estructurados, incorporó texto clínico e imágenes para construir representaciones longitudinales con datos reunidos durante tres décadas de atención.

El cuarto modelo, ALADYNOUILLI, añadió información genética heredada a este tipo de análisis. Se entrenó con datos de tres biobancos y más de 683.000 personas, e identificó patrones de enfermedad que cambian con el tiempo.

El quinto sistema es AURORA, que integró siete modalidades de datos en más de 425.000 individuos para estudiar envejecimiento, salud metabólica y respuesta a intervenciones médicas.

Estos cinco modelos no se comparan de manera directa entre sí, porque usan horizontes predictivos, bases de datos y criterios de evaluación distintos. Aun así, hay un límite común: todavía no demostraron que actuar a partir de esas predicciones mejore los resultados clínicos.

Qué podría cambiar en la práctica médica

Existen dos niveles de aplicación posibles. En el nivel individual, servirían para estimar cómo cambia el riesgo de una enfermedad a lo largo de la vida. El ejemplo es el del Alzheimer: no es lo mismo detectar un riesgo distribuido durante décadas que uno concentrado a una edad específica, como los 60 o los 90 años.

En el nivel poblacional, una representación compartida de historias clínicas permitiría hacer consultas directas sobre datos seguidos en el tiempo. Eso abriría la posibilidad de buscar trayectorias parecidas entre resultados de laboratorio, imágenes, estudios anatomopatológicos y tratamientos.

Esa capacidad podría ayudar en el diagnóstico de enfermedades poco frecuentes, en la selección de pacientes para ensayos clínicos y en estudios observacionales continuos basados en grandes volúmenes de registros médicos.

Este tipo de enfoque ya tiene ecos en desarrollos recientes. Según informó Infobae, un equipo de la University of Plymouth desarrolló un sistema de IA capaz de detectar indicios de cáncer de vejiga hasta cinco años antes del diagnóstico mediante el análisis de historiales clínicos electrónicos de casi 70.000 pacientes, según un estudio publicado en la revista IEEE Transactions on Biomedical Engineering.

En Suecia, investigadores de la Universidad de Gotemburgo presentaron en PLOS Medicine un modelo llamado FRACTURE-ML que, a partir de registros de más de 3,5 millones de personas, identificó hasta siete veces más personas en riesgo de fractura de cadera que las estrategias de cribado clínico habituales. Especialistas de la Cleveland Clinic, por su parte, señalaron que la IA ya se usa en la interpretación de imágenes médicas y en la personalización de tratamientos, por ejemplo en decisiones quirúrgicas para casos de epilepsia.

Por qué piden auditar estos modelos antes de usarlos

Estos modelos, basados en datos observacionales, pueden anticipar riesgos, pero no probar por sí solos que una intervención vaya a cambiar el resultado de un paciente. Por eso, hace falta validación causal prospectiva antes de usar estas herramientas para orientar decisiones clínicas o estrategias de prevención.

Los modelos aprenden de registros incompletos, atravesados por diferencias de acceso, frecuencia de consulta y formas de carga de la información. Por eso, un dato ausente o escaso no siempre indica buena salud.

Estas representaciones deben poder auditarse: qué datos entran, cuáles quedan afuera, qué grupos están subrepresentados y quién puede usar esa información.

La gobernanza comienza en el diseño de los tokens, no en el despliegue. Estos modelos deben evaluarse por su validez externa, su beneficio clínico neto y su capacidad real de mejorar decisiones y resultados antes de cualquier implementación.

Si supera esas pruebas, la tokenización podría convertir la experiencia acumulada en los datos de salud en información útil para mejorar la próxima decisión clínica y acelerar los descubrimientos médicos.

*Este texto fue difundido en la sección “Digital medicine” de la revista The Lancet con las firmas del cardiólogo Eric Topol y el investigador Faisal Mahmood