La sala de espera del consultorio suele tener ese silencio particular de las tardes de martes, con las sillas ocupadas por gente que hojea el celular sin mirarlo de verdad. Yo me senté ahí, como tantas otras veces, mientras leía sobre una nueva camada de sistemas de inteligencia artificial que prometen algo que hasta ahora parecía ciencia ficción: leer toda la historia clínica de una persona, de punta a punta, y anticipar enfermedades años antes de que aparezcan los primeros síntomas. La idea es tan ambiciosa como inquietante, y vale la pena desmenuzarla con calma.

El planteo de fondo es sencillo de explicar aunque muy difícil de ejecutar. Un historial clínico tradicional guarda análisis de sangre, recetas, diagnósticos, imágenes y notas sueltas, y en general cada profesional lo lee por separado, en su porción, casi nunca como una película completa. La nueva generación de modelos apunta a cambiar exactamente eso: en lugar de tomar un dato aislado, convierten todo el recorrido médico en una secuencia ordenada en el tiempo, como si fuera una línea de tiempo donde cada evento, un diagnóstico, un valor de laboratorio, una placa, una internación, se transforma en una unidad de información que el sistema puede procesar.

Cómo se traduce una vida en datos

Ese proceso tiene un nombre técnico que conviene aprender porque va a empezar a circular: tokenización del paciente. Cada hecho clínico se transforma en una pieza pequeña y se ordena según cuándo ocurrió. Al unir todas las piezas, el modelo reconstruye la trayectoria de salud de esa persona y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, no solo a corto plazo, sino con horizontes que llegan a cinco, diez y hasta veinte años.

Los cinco modelos que encabezan la carrera

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de mil enfermedades, entrenado con datos de casi dos millones de personas del Biobanco del Reino Unido y registros daneses.
• Curiosity: llevó el enfoque a una escala enorme, procesó más de cien mil millones de eventos médicos de más de cien millones de pacientes.
• Apollo: sumó texto clínico e imágenes a los registros estructurados y trabajó con tres décadas de atención acumulada.
• ALADYN: 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.

Los cinco modelos no son directamente comparables entre sí porque usan bases de datos distintas, criterios de evaluación diferentes y horizontes temporales que tampoco coinciden. Comparten, sin embargo, una limitación central que los propios especialistas se encargan de marcar con insistencia: todavía ninguno demostró que tomar decisiones médicas a partir de sus predicciones mejore los resultados concretos de los pacientes en la vida real. Predecir es una cosa, y otra muy distinta es demostrar que actuar sobre esa predicción cambia el curso de la enfermedad.

Mientras tanto, en esa sala de espera donde empecé esta nota, Graciela, de 57 años, me dijo lo que muchos lectores van a sentir cuando escuchen hablar de estos sistemas: si la máquina me dice que tengo riesgo de algo, prefiero que me lo diga y tener tiempo de hacer algo, antes que enterarme cuando ya no hay mucho por hacer. Esa esperanza, enorme y razonable, es exactamente la promesa que estos modelos ponen sobre la mesa, y también la vara con la que van a ser medidos en los próximos años.