Investigadores europeos han presentado Delphi-2M, un modelo de IA generativa que lee el historial médico de una persona para pronosticar la susceptibilidad a más de mil enfermedades, con años o incluso décadas de anticipación. Es una afirmación audaz respaldada por grandes conjuntos de datos: alrededor de 400.000 participantes del Biobanco del Reino Unido para capacitación y 1,9 millones de pacientes del registro nacional de Dinamarca para validación externa.
Lo nuevo es la amplitud. La mayoría de las puntuaciones de riesgo clínico se centran en una única afección. Delphi-2M trata la salud como una secuencia, utilizando tecnología transformadora (la misma familia detrás de los chatbots modernos) para modelar cómo se desarrollan los diagnósticos y los eventos a lo largo del tiempo. El resultado es una curva de probabilidad personalizada: cuando es más o menos probable que surjan condiciones particulares.
Los primeros resultados son más sólidos en enfermedades crónicas comunes (problemas cardiovasculares, diabetes y sepsis) donde hay muchos datos. Los investigadores también informan que el modelo funcionó bien en pacientes daneses a pesar de haber sido entrenado con datos del Reino Unido, una señal prometedora de que puede generalizarse a todos los sistemas de salud en lugar de adaptarse excesivamente a uno solo.
Por qué es importante: la previsión cambia la atención. Si un sistema puede predecir ventanas de alto riesgo para enfermedades futuras, los médicos pueden reforzar el seguimiento, ajustar los medicamentos e impulsar la prevención específica antes. Los equipos de salud de la población podrían utilizar pronósticos similares para priorizar las pruebas de detección o asignar recursos a vecindarios donde el riesgo aumentará.
Las grandes advertencias son operativas y éticas. Los registros médicos están desordenados; las señales varían según el hospital, los estándares de codificación varían y los determinantes sociales rara vez residen en una base de datos. También hay sesgos: si la atención histórica no atiende a ciertos grupos, un modelo puede codificar esas brechas. Los investigadores dicen que Delphi-2M utiliza registros anónimos y está diseñado para su implementación en sistemas de salud, pero cualquier implementación real necesitará una gobernanza estricta, auditorías externas y un consentimiento claro del paciente.
La realidad regulatoria ralentizará las cosas. Incluso con un método publicado por Nature y una sólida validación en varios países, esto no se enviará a las clínicas mañana. Espere pruebas piloto en programas estrictamente controlados (cardiología, reingresos en UCI, vías de oncología) antes de un uso más amplio. La integración de datos genéticos y proteómicos está en la hoja de ruta, lo que podría agudizar las predicciones pero aumentar los costos y los riesgos de privacidad.
Para los compradores de tecnología en los sistemas de salud, la tarea es familiar: exigir ensayos prospectivos, buscar puntuaciones de riesgo calibradas (no solo alardear de AUROC) e insistir en resultados interpretables sobre los que los médicos puedan actuar. Nadie quiere un cartel con recuadro negro que diga "estás en riesgo"; quieren el por qué y el qué hacer.
En pocas palabras: Delphi-2M es un paso importante hacia la previsión de múltiples enfermedades a largo plazo. Si los resultados publicados se replican en la atención en vivo, podrían remodelar los programas de detección y la planificación de la atención crónica. De lo contrario, seguirá impulsando al campo a construir modelos que piensen en cronogramas de pacientes en lugar de instantáneas únicas.
