Yo quiero empezar por acá, por la sala de espera de un hospital público cualquiera un martes a las diez de la mañana, porque ahí, mientras una señora revuelve un café en un vaso de plástico y un hombre con la mano vendada mira el techo, está pasando algo que parece de ciencia ficción y que sin embargo va a tocar de lleno la próxima vez que cualquiera de nosotros se siente en el consultorio a comentar un dolor. La historia clínica, ese archivo enorme que nadie lee entero y que muchas veces se completa a los saltos, está dejando de ser un cajón lleno de papeles para transformarse en una secuencia ordenada que una computadora puede recorrer de punta a punta, como si fuera la trama de una novela, y anticipar, a veces con años de anticipación, qué enfermedad puede aparecer en el futuro.

La movida técnica tiene un nombre que suena a laboratorio pero que se entiende bien: tokenización del paciente. La idea es simple de explicar y profunda de consecuencias. Cada cosa que aparece en la historia clínica, un análisis de sangre, una receta, un diagnóstico, una radiografía, una nota del médico, se convierte en una unidad básica de información, como si fuera una palabra dentro de una oración. Esas unidades se ordenan en el tiempo y el sistema reconstruye la trayectoria de salud de la persona. Es parecido a cuando uno mira el almanaque de la casa y ve, marca por marca, qué arreglos se hicieron en el techo, cuándo se cambió la caldera, cada cuánto se pintó la fachada. Con esos datos, alguien con ojo puede anticipar dónde va a aparecer la próxima gotera. La inteligencia artificial hace algo parecido, pero con millones de datos y con una memoria que ningún médico podría igualar.

Los cinco modelos que están corriendo la carrera

En los últimos meses se conocieron cinco desarrollos que llevan esa idea hasta sus últimas consecuencias. No son comparables entre sí, porque cada uno se entrenó con bases de datos distintas, midió cosas distintas y miró horizontes temporales distintos, pero los cinco comparten una ambición común: leer la historia clínica completa para estimar el riesgo de más de mil enfermedades a lo largo de la vida de una persona.

• Delphi-2M organizó diagnósticos y su secuencia temporal para calcular la probabilidad de más de 1.000 enfermedades. Se entrenó con datos de casi dos millones de personas, tomadas del Biobanco del Reino Unido y de registros daneses.
• Curiosity llevó ese enfoque a una escala mucho mayor: 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 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.

Lo que estos sistemas prometen, en el día a día, es doble. A nivel individual, podrían decirle a alguien con mucha precisión cuándo conviene empezar a controlar tal o cual marcador, antes de que la enfermedad se declare. A nivel de salud pública, podrían ayudar a un sistema de salud a planificar campañas, asignar recursos y prevenir picos de internación. Pero acá aparece el punto que los propios especialistas marcan con el dedo, levantado como un cartel de señalización: ninguno de estos cinco modelos demostró todavía que tomar decisiones médicas a partir de sus predicciones sirva, en la práctica, para que los pacientes vivan más o vivan mejor. Es una diferencia que parece menor y que sin embargo es enorme.

Porque predecir no es lo mismo que cambiar el destino. Saber que alguien tiene alto riesgo de desarrollar determinada enfermedad no quiere decir, automáticamente, que existan intervenciones probadas que, aplicadas a tiempo, reviertan ese riesgo. Y acá vuelve la señora del café en vaso de plástico, el hombre con la mano vendada, y todos nosotros: porque si estas herramientas se meten en la conversación del consultorio antes de tiempo, sin el respaldo de ensayos clínicos serios, el riesgo es que sumen ansiedad en lugar de soluciones. La promesa es enorme, sí, pero la letra chica todavía pide paciencia, control y, sobre todo, evidencia de que servirán para algo concreto cuando alguien como la señora de la sala de espera, o como cualquiera de nosotros, se siente frente al médico y le pregunte qué hacer con lo que la máquina vio en su historia.