En una guardia del Hospital Italiano de Buenos Aires, María Eugenia revisa la pantalla antes de pasar al consultorio. Tiene 52 años, hipertensión tratada desde los 40, dos análisis de colesterol alterado, una ecografía abdominal pendiente y una consulta por dolor en la rodilla derecha. Son seis eventos clínicos registrados en distintos momentos, atendidos por profesionales diferentes, archivados en hojas separadas. Para un sistema clásico, son datos sueltos. Para la nueva generación de inteligencia artificial médica, son una secuencia que todavía no termina de escribirse.

Eso es, en pocas palabras, lo que la literatura científica empezó a llamar tokenización del paciente: convertir cada episodio del historial clínico, sea un análisis de sangre, una receta, un diagnóstico o una imagen, en una unidad básica de información ordenada en el tiempo. Cuando esas piezas se encaran, el modelo reconstruye la trayectoria de salud de la persona y puede estimar cómo evoluciona el riesgo de distintas enfermedades a lo largo de los años, no solo en el próximo turno.

Cinco modelos que miran la historia completa

Los desarrollos recientes coinciden en una misma idea pero difieren en escala y ambición. Comparten, además, una advertencia central: ninguno demostró todavía que tomar decisiones médicas a partir de sus predicciones mejore los resultados clínicos de los pacientes.

• Delphi-2M: organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades, entrenado con casi dos millones de personas del Biobanco del Reino Unido y de registros daneses.
• Curiosity: llevó el enfoque a una escala mucho mayor y procesó 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 trabajó con tres décadas de atención acumulada.
• ALADYNOUILLI: incorporó información genética heredada, entrenó con más de 683.000 personas de tres biobancos e identificó 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.

No son comparables de manera directa porque usan bases de datos, criterios de evaluación y horizontes temporales diferentes. Pero, como me explicó Jorge, cardiólogo y bioinformático consultado en La Plata, lo que comparten es la promesa de mirar la película y no la foto. Y lo que todavía falta es saber si, a la hora de tomar decisiones, esa película cambia algo.

Qué cambia si el modelo acierta

Si estas predicciones finalmente demostraran ser útiles, el impacto llegaría en dos planos. En lo individual, permitiría anticipar con años de antelación el riesgo de cáncer, infarto, diabetes o deterioro cognitivo, y abrir la puerta a controles más seguidos, cambios de hábito o tratamientos preventivos antes de que la enfermedad se manifieste. En lo poblacional, ofrecería a los sistemas de salud una herramienta para identificar subgrupos de mayor riesgo y planificar recursos con información más fina que las estadísticas clásicas.

Pero los propios papers remarcan un límite incómodo: predecir no es lo mismo que intervenir. Un riesgo alto de infarto a diez años no se convierte automáticamente en un infarto evitado solo porque el modelo lo haya señalado. Y ahí, me dijo Laura en Córdoba, que trabaja en un centro de medicina familiar, aparece la pregunta de todos los días en el consultorio: qué hago con esto, para qué le sirve a esta persona que tengo enfrente.

“Todavía nadie demostró que tomar decisiones médicas a partir de estas predicciones mejore los resultados concretos de los pacientes.”Consenso de los cinco estudios recientes, recogido por la literatura revisada

María Eugenia sale del consultorio con la orden de la ecografía y un turno para control en seis meses. Su historia clínica, mientras tanto, suma un evento más a la secuencia. Si en algún momento un sistema como los que describí llega a operar de forma masiva, esos seis episodios, y los que vendrán, podrían leerse de un modo muy distinto al actual: como una trama que alguien intenta anticipar capítulo por capítulo. La tecnología ya está; lo que falta es demostrar que leer toda la novela, y no solo la última página, sirve para escribir un final mejor.