La inteligencia artificial transforma el historial clínico en una secuencia predictiva de salud

Según un comentario publicado en la revista The Lancet por el cardiólogo Eric Topol y el investigador Faisal Mahmood, la historia clínica de un paciente podría empezar a leerse como una secuencia temporal que la inteligencia artificial procese de forma conjunta, en lugar de seguir analizando variables aisladas. El texto, difundido en la sección "Digital medicine" de la publicación británica, repasa cinco modelos recientes que aspiran a estimar el riesgo de más de mil enfermedades a lo largo de la vida. Para nosotros los clínicos, la pregunta inmediata es inevitable: qué cambia realmente en la consulta cuando dejamos de mirar un dato suelto y empezamos a leer la trayectoria completa.

Cinco modelos para leer la historia como una secuencia

El artículo define la "tokenización del paciente" como la conversión de diagnósticos, análisis, notas médicas, imágenes, fechas y lapsos entre eventos en unidades ordenadas que un modelo de IA puede procesar a lo largo del tiempo. Sobre esa base, los autores revisan cinco sistemas con escalas y métodos diferentes. Delphi-2M organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de mil enfermedades a partir del Biobanco del Reino Unido y registros daneses que abarcan cerca de dos millones de personas. Curiosity llevó esa misma lógica a más de cien mil millones de eventos médicos estructurados provenientes de más de cien millones de pacientes. Apollo añadió una capa multimodal: además de eventos estructurados, incorporó texto clínico e imágenes reunidas durante tres décadas de atención. ALADYNOUILLI sumó información genética heredada, entrenándose con datos de tres biobancos y más de 683.000 personas para identificar patrones de enfermedad que cambian con el tiempo. Por último, AURORA integró siete modalidades de datos en más de 425.000 individuos, con foco en envejecimiento, salud metabólica y respuesta a intervenciones.

Lo que estos modelos todavía no demuestran

Como aclara el propio comentario, estos cinco sistemas no se comparan entre sí porque usan horizontes predictivos, bases de datos y criterios de evaluación distintos, y comparten una limitación común: ninguno ha demostrado todavía que actuar a partir de sus predicciones mejore los resultados clínicos. En la práctica diaria eso nos recuerda algo que a menudo olvidamos: la historia clínica no es el paciente, sino un registro parcial de sus contactos con el sistema sanitario, repartido entre instituciones, profesionales y episodios diferentes. Esa fragmentación es exactamente lo que la tokenización intenta ordenar para volverlo utilizable en un único marco de análisis, y los propios autores lo plantean como condición previa antes de pensar en su aplicación clínica.

Qué traduce esto a nuestra consulta

El ejemplo que manejan los autores es el de la enfermedad de Alzheimer: no es lo mismo detectar un riesgo distribuido durante décadas que uno concentrado a una edad concreta, como los sesenta o los noventa años. Esa distinción, que hoy depende casi por completo de la conversación clínica y de la memoria del paciente, podría empezar a sustentar decisiones de cribado y de seguimiento compartido. Mientras tanto, el reto asistencial más inmediato no es incorporar la herramienta, sino saber interpretarla cuando llegue: entender qué horizonte temporal cubre, con qué cohorte se entrenó y qué dice exactamente sobre la trayectoria que vemos en consulta. El papel del facultativo sigue siendo interpretar y acompañar, no delegar el juicio clínico en una salida de pantalla.