La inteligencia artificial en la medicina: una revolución en marcha

La inteligencia artificial (IA) está transformando el mundo de la salud a una velocidad sin precedentes. Desde sistemas capaces de analizar imágenes médicas con gran precisión hasta algoritmos que sugieren tratamientos personalizados, cada vez resulta más evidente que la medicina del futuro será inseparable de estas tecnologías.

La gran promesa de la IA en medicina no es solo ayudar a diagnosticar mejor, sino también anticiparse. Prevenir en lugar de curar. Y en ese terreno se sitúa uno de los avances más llamativos publicados recientemente: Delphi-2M, un modelo capaz de predecir qué enfermedades podría desarrollar una persona incluso décadas antes de que aparezcan los primeros síntomas.

Delphi-2M fue desarrollado por un equipo internacional (del Instituto Europeo de Bioinformática del EMBL y del Centro Alemán de Investigación Oncológica, entre otros). Es un modelo de IA basado en la arquitectura GPT (por sus siglas en inglés, Generative Pretrained Transformer), es decir, el tipo de transformador generativo entrenado previamente que usa ChatGPT. En vez de procesar palabras de un texto, Delphi-2M procesa eventos de salud codificados. El modelo se entrenó con datos de 0,4 millones de personas del estudio UK Biobank (Reino Unido) y se validó con registros clínicos de casi 2 millones de pacientes daneses. De esta forma se reducen los sesgos regionales y se mejora la robustez del sistema. Según el estudio, Delphi-2M alcanza una precisión comparable a la de los mejores modelos de predicción diseñados para cada enfermedad específica.

La idea central es tratar el historial médico de cada individuo como una “secuencia” similar a una frase en un modelo de lenguaje. Cada diagnóstico se codifica con su clave correspondiente (por ejemplo, usando el sistema ICD-10, Clasificación Internacional de Enfermedades) y se ordena cronológicamente. Además del historial de diagnósticos, el modelo incorpora datos demográficos y de estilo de vida, como edad, sexo, índice de masa corporal (IMC), consumo de tabaco y alcohol. Con esta información, Delphi-2M calcula una tasa diaria de aparición para cada posible enfermedad. Es decir, estima qué tan probable es que ese paciente desarrolle cada enfermedad en cada momento futuro. A partir de esas tasas, el modelo simula iterativamente el próximo evento de salud y cuándo ocurrirá.

En términos sencillos: si el historial del paciente hasta hoy es el “texto” de partida, Delphi-2M predice cuál será la “siguiente palabra” (enfermedad) y a qué edad aparecerá. Este proceso permite generar todo un camino de salud futuro. Gracias a ello, el modelo puede recrear trayectorias completas de salud simuladas para una persona, lo que ayuda a estimar la carga de enfermedades que podría tener en los próximos años.

Delphi-2M predice la aparición de más de 1.000 enfermedades diferentes de forma simultánea, teniendo en cuenta el historial completo de cada paciente. Su precisión resultó equivalente a la de modelos clásicos dedicados a enfermedades puntuales como la demencia o el infarto de miocardio. Además, supera a muchos algoritmos de predicción de mortalidad y solo en el caso de la diabetes la predicción basada en un biomarcador tradicional (la hemoglobina glicosilada HbA1c) fue algo más fiable.

Al ser un modelo probabilístico, Delphi-2M no da certezas absolutas sino estimaciones de riesgo. Por ejemplo, al comparar sus predicciones con datos reales se vio que las probabilidades calculadas coincidían bien con las tendencias observadas en la población. Como en la predicción meteorológica, las proyecciones a corto plazo (pocos años) suelen ser más fiables que las de dos décadas. Según el estudio, las predicciones del modelo siguen fielmente las curvas de incidencia poblacionales por edad y sexo, pero además señalan cuándo el riesgo individual se mantiene por debajo o por encima del promedio. Por ejemplo, en la cohorte del Biobanco británico, un hombre de 60–65 años con ciertos antecedentes podría pasar de un riesgo anual de infarto de 4/10,000 a 1/100, dependiendo de su historia clínica y sus hábitos de vida. Las estimaciones del modelo coincidieron con los datos reales no usados en el entrenamiento.

En resumen, Delphi-2M no es infalible, pero aprende a partir de patrones complejos: a menudo las mismas enfermedades comparten factores de riesgo o secuencias similares. El equipo científico destaca que el modelo incluso identifica grupos de enfermedades que suelen aparecer juntas (comorbilidades), lo que podría ayudar a entender cómo una afección incrementa el riesgo de otra en el futuro.

Aunque los resultados son prometedores, los propios autores del estudio advierten que Delphi-2M es una prueba de concepto, no un producto listo para usarse en hospitales. Todavía se deben superar varios retos:

Precisión variable: las predicciones a corto plazo son más fiables que las de 20 años, algo similar a los pronósticos meteorológicos.

Sesgos en los datos: el modelo refleja las características de los registros en los que fue entrenado, lo que puede limitar su aplicabilidad universal.

Ética y privacidad: es necesario garantizar que este tipo de herramientas no se utilicen para discriminar, por ejemplo, en seguros de salud.

Validación clínica: antes de usarse en la práctica, debe demostrar en estudios controlados que realmente mejora la prevención y la atención médica.

Lo más interesante de Delphi-2M es que ilustra hacia dónde puede ir la medicina en las próximas décadas: un escenario en el que cada persona tenga un mapa de riesgos de salud personalizado, basado en su historial y hábitos de vida. Ese mapa no sería una sentencia, sino una guía que permitiría tomar decisiones informadas: hacerse pruebas con mayor frecuencia, adoptar estilos de vida más saludables o recibir tratamientos preventivos.

En otras palabras, el futuro de la salud podría pasar de ser reactivo (curar cuando ya estamos enfermos) a ser proactivo (prevenir y reducir el riesgo antes de que aparezca la enfermedad).

El modelo Delphi-2M, descrito en Nature, es un ejemplo claro de cómo la inteligencia artificial está revolucionando la medicina. No se trata de reemplazar a los médicos, sino de darles nuevas herramientas que les permitan anticiparse, personalizar los cuidados y mejorar la calidad de vida de millones de personas.

Como toda innovación, plantea dudas éticas y técnicas que habrá que resolver. Pero si logra superar estas barreras, podría marcar el inicio de una nueva era en la salud: aquella en la que, en lugar de preguntarnos qué enfermedad tenemos hoy, podamos anticipar qué riesgo enfrentaremos mañana y actuar a tiempo para evitarlo.