A primera hora de la mañana, en el consultorio de la doctora Mariana Ledesma, en el barrio porteño de San Cristóbal, la pregunta se repite entre los pacientes: doctor, esto que me dijo el análisis, ¿es para preocuparse o no. Ella hojea la historia clínica completa, busca fechas, cruza valores y, recién después de un rato, contesta. Esa escena cotidiana, multiplicada por miles de centros de salud en la Argentina y en el mundo, es el escenario exacto donde la inteligencia artificial promete meterse con una apuesta fuerte: leer de corrido, como si fuera un libro, todo el recorrido médico de una persona para anticipar qué enfermedades podrían aparecer en los próximos años.

La nueva generación de sistemas ya no se conforma con mirar un análisis aislado o una imagen por separado. Lo que busca es transformar la historia clínica entera en una secuencia ordenada, una especie de línea de tiempo, y usarla para estimar cómo evoluciona el riesgo de más de mil enfermedades a lo largo del tiempo. Esa línea de tiempo arranca con el nacimiento de la persona, sigue con cada consulta, cada receta, cada estudio y termina en el presente, y es sobre esa base sobre la que los modelos hacen sus predicciones.

Cinco modelos, cinco maneras de leer la salud

• Delphi-2M: organizó diagnósticos y la secuencia temporal en que aparecen para calcular la probabilidad de más de mil enfermedades. Se entrenó con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó la idea a una escala enorme, procesó más de 100.000 millones de eventos médicos de más de 100 millones de pacientes.
• Apollo: sumó al texto clínico las imágenes médicas y trabajó con tres décadas de atención acumulada de grandes hospitales.
• ALADYNOUILLI: incorporó información genética heredada y entrenó con más de 683.000 personas de tres biobancos, detectando 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 desarrolloos no son directamente comparables, aclaran los propios investigadores, porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que no coinciden. Comparten, sin embargo, una limitación central que ninguno pudo sortear hasta ahora: todavía no se demostrado que tomar decisiones médicas a partir de sus predicciones efectivamente los resultados clínicos de los pacientes, es decir, que alguien que reciba un aviso temprano termine viviendo más o mejor que alguien que no lo reciba.

Las aplicaciones que imaginan los investigadores son de dos tipos. A nivel individual, estos sistemas podrían indicar en qué momento de la vida conviene intensificar controles, dejar un hábito o empezar un tratamiento preventivo, incluso antes de que aparezca el primer síntoma. A nivel poblacional, prometen ayudar a los sistemas de salud a planificar recursos, anticipar brotes de ciertas enfermedades y diseñar campañas de detección más, sobre todo en grupos que hoy pasan desapercibidos para la medicina preventiva.

La comunidad médica, igual que Doña María del Carmen, que atiende la farmacia de barrio en Floresta y conoce a tres generaciones de cada familia, pide ir paso a paso. Los especialistas que revisaron estos cinco modelos insisten en que la promesa es enorme pero la evidencia todavía es chica, y que urge del costado de los hospitales y de los ministerios de Salud una discusión abierta sobre qué hacer con un aviso de enfermedad que todavía no llegó, sobre quién mira esos datos y sobre cómo se al paciente algo que, por ahora, es solo una probabilidad escrita por un algoritmo.