La inteligencia artificial está transformando cómo se interpretan los historiales clínicos. En lugar de analizar variables aisladas —análisis de sangre, diagnósticos, recetas e imágenes— nuevos modelos procesan el recorrido médico completo de un paciente como una secuencia temporal que permite identificar patrones de riesgo que permanecían ocultos en datos fragmentados.

Este cambio de paradigma se sustenta en la tokenización del paciente, un proceso que convierte diagnósticos, estudios, tratamientos e imágenes en datos estructurados que los algoritmos pueden procesar a lo largo del tiempo. La tokenización organiza información dispersa entre diferentes instituciones y momentos en un marco único de análisis, reconstruyendo la trayectoria de salud de un individuo como base para predicciones o identificación de casos comparables. Aunque el historial clínico no representa al paciente en su totalidad —es un registro parcial de sus interacciones con el sistema de salud—, la estructuración de estos datos permite captar cómo se entrelazan los eventos de salud a lo largo de los años.

Cinco modelos en evaluación clínica

Cinco modelos de IA han avanzado en esta dirección con diferentes métodos y escalas. Delphi-2M organizó diagnósticos y su secuencia temporal para estimar la probabilidad de más de 1,000 enfermedades, utilizando datos del Biobanco del Reino Unido y registros daneses de casi 2 millones de personas. Curiosity amplió esta lógica a escala considerable, procesando más de 100,000 millones de eventos médicos estructurados de más de 100 millones de pacientes.

Apolo integró diferentes tipos de información en un mismo sistema, combinando eventos estructurados, texto clínico e imágenes para construir representaciones longitudinales basadas en tres décadas de atención médica. ALADYNOUILLI incorporó información genética heredada a su análisis, entrenándose con datos de tres biobancos y más de 683,000 personas para identificar patrones de enfermedad que evolucionan con el tiempo. AURORA, por su parte, integró siete modalidades de datos en más de 425,000 individuos para investigar el envejecimiento, la salud metabólica y la respuesta a intervenciones médicas.

El desafío de la validación clínica

Aunque estos cinco modelos no son directamente comparables debido a sus diferentes horizontes predictivos, bases de datos y criterios de evaluación, comparten una limitación crítica: aún no han demostrado que actuar en base a sus predicciones mejora los resultados clínicos reales. Este es el salto pendiente entre la capacidad predictiva y el impacto en la práctica médica.

El desafío radica en convertir la información clínica dispersa en un apoyo útil para la toma de decisiones médicas. Existen dos niveles de aplicación potencial. A nivel individual, estos modelos podrían estimar cómo varía el riesgo de una enfermedad a lo largo del tiempo, permitiendo intervenciones más informadas y personalizadas. A nivel poblacional, podrían ofrecer una visión amplia de tendencias de salud, ayudando a los sistemas de salud a anticipar y gestionar mejor los riesgos de enfermedades en la población.

En contextos como el mexicano, donde la mejora en la atención médica y la prevención de enfermedades son prioridades estratégicas, la capacidad de anticipar riesgos a partir de datos históricos representa una oportunidad significativa para optimizar la asignación de recursos y mejorar los resultados de salud poblacional. Sin embargo, la implementación requiere resolver cuestiones de interoperabilidad de datos, validación clínica rigurosa y alineación con flujos de decisión médica existentes.