La historia clínica se vuelve código y la inteligencia artificial empieza a leerla entera para anticipar lo que viene

La jugada que cambió la historia la acaba de hacer un algoritmo. Hasta ahora, cada análisis de sangre, cada radiografía, cada receta y cada diagnóstico se miraba por separado, como si fueran piezas sueltas dentro de la carpeta de cada paciente. Una nueva generación de inteligencia artificial promete cambiar eso: tomar todo el recorrido médico de una persona, ordenarlo en el tiempo y leerlo como si fuera una sola frase larga. Esa frase, traducida al lenguaje de las máquinas, permite estimar con años de anticipación qué enfermedades pueden aparecer.

El procedimiento tiene un nombre técnico, tokenización del paciente, y la idea es sencilla de explicar. Cada evento del historial clínico se transforma en una unidad básica de información que conserva su fecha y su lugar en la secuencia. Un resultado de laboratorio, una nota médica, una imagen, un diagnóstico: todo se ordena y se encadena. Con esas piezas en fila, el modelo reconstruye la trayectoria de salud y puede calcular cómo se modifican los riesgos a lo largo de los años, en lugar de quedarse con la foto de un solo momento.

Los cinco modelos que encabezan la carrera

• Delphi-2M procesó 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 mucho mayor: trabajó 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 se entrenó 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 desarrollos no son directamente comparables. Cada uno se entrenó con bases distintas, usó criterios de evaluación diferentes y miró horizontes temporales que no siempre coinciden. Comparten, en cambio, una limitación central que los propios especialistas se encargan de repetir: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes. Saber que alguien tiene más chances de enfermarse es solo el primer paso; falta probar que intervenir temprano cambia algo en la vida real.

Las posibles aplicaciones se mueven en dos andariveles. En lo individual, estos sistemas podrían señalar en qué momento de la vida conviene reforzar controles, ajustar tratamientos o prestar más atención a ciertos indicadores. En lo poblacional, la lectura agregada de millones de historias clínicas permite detectar patrones que un médico, con sus horas y sus ojos humanos, jamás podría ver. Lo que viene es un debate que excede a la tecnología: quién accede a esos datos, quién los custodia y qué se hace con una predicción que todavía no tiene un protocolo claro de respuesta.