La revolución de la inteligencia artificial plantea promesas de progreso en diversos sectores. El ámbito de la salud no es una excepción. Recientemente, se ha creado un sistema capaz de prever la evolución de diversas enfermedades
Actualmente, parece que todo gira en torno a la Inteligencia Artificial (IA). Aunque esta tecnología se popularizó masivamente hace apenas tres años (en noviembre de 2022 con la llegada de ChatGPT para el público en general), está modificando la sociedad a un ritmo acelerado.
Este impacto abarca múltiples sectores, principalmente el tecnológico, pero también la investigación científica. En salud, la IA no es novedad; desde hace tiempo se implementan y prueban sistemas para la detección de ciertas enfermedades mediante imágenes médicas. Esto se basa en la capacidad de la IA para el reconocimiento de patrones, que constituye su esencia, más que en una verdadera “inteligencia”, como evidenciaron recientes estudios de Apple.
Utilizando esa habilidad para identificar patrones y analizar volúmenes enormes de datos, un reciente estudio exploró si esta tecnología podría anticipar la progresión de distintas enfermedades en un individuo a lo largo del tiempo. Hasta ahora, la mayoría de los modelos predictivos estaban enfocados en una sola patología (como el riesgo cardiovascular o el cáncer), pero no existía un sistema integral capaz de cubrir un amplio espectro de enfermedades.
Un innovador modelo predictivo
Los científicos crearon un modelo de inteligencia artificial denominado Delphi-2M, que utiliza una arquitectura comparable a la de modelos de lenguaje como ChatGPT. En lugar de procesar texto, el sistema examina secuencias de eventos médicos (diagnósticos codificados en ICD-10, edad, sexo, hábitos como consumo de tabaco o alcohol, e índice de masa corporal).
Para su entrenamiento, se introdujeron datos de 402.799 participantes del UK Biobank, un extenso registro sanitario del Reino Unido. Luego, se validó el modelo con información de 1,9 millones de personas en Dinamarca, sin necesidad de reentrenarlo.
Delphi-2M, a partir de este conjunto de datos, identificó patrones en la aparición de más de 1.000 enfermedades y puede predecir cuál será el próximo diagnóstico probable y cuándo podría ocurrir. Además, es capaz de simular trayectorias futuras de salud individual durante los próximos 20 años basándose en el historial previo del paciente.
¿Qué tan preciso es el modelo?
Gracias a la disponibilidad de datos históricos de una gran muestra poblacional, fue posible comprobar si el modelo predice acertadamente los eventos de salud que experimentaron estas personas. El sistema mostró una alta precisión en la predicción de enfermedades, con una puntuación media de 0,76 (siendo 1 una predicción perfecta). Respecto a la mortalidad, la precisión alcanzó 0,97, lo que refleja una notable capacidad predictiva.
Al compararse con otros modelos consolidados de evaluación de riesgo (como Framingham para enfermedades cardiovasculares o ciertas escalas de demencia), Delphi-2M obtuvo resultados iguales o superiores en la mayoría de los casos. También logró reproducir patrones poblacionales conocidos, como el aumento de incidencia de cáncer con la edad o las diferencias entre sexos.
Un aspecto relevante es la generalización del modelo: entrenado con datos de Reino Unido, la pregunta es si funciona en otras poblaciones. En su aplicación a datos daneses, la precisión se redujo ligeramente, pero los patrones se mantuvieron. Esto indica que la aplicabilidad futura es factible y que, a medida que se incorporen más datos, la precisión podría mejorar.
“Garbage-in – garbage-out”
Una limitación común de los modelos de inteligencia artificial es la calidad de los datos utilizados en su entrenamiento. Como dice un principio habitual en ciencia (“garbage-in – garbage-out”), si se introduce información deficiente, el resultado será igualmente inválido. Por esto, es imprescindible asegurar que la base de datos sea sólida. Mientras que IAs generalistas como ChatGPT cometen múltiples errores al recopilar datos de la web, donde la calidad no siempre está verificada, en este contexto la fiabilidad debe ser mayor.
En este caso, la base de datos UK Biobank presenta algunas limitaciones: no representa totalmente a la población general, tiende a incluir personas más saludables y con mejor nivel socioeconómico, y carece de registros completos en grupos de edad avanzada (limitando la precisión para mayores de 80 años). Además, el modelo también aprende sesgos presentes en los datos, como diagnósticos más frecuentes en entornos hospitalarios.
Un potencial considerable
La medicina preventiva orientada al envejecimiento saludable se centra principalmente en la prevención primaria, en la detección temprana y en anticipar la aparición inicial de signos o síntomas, así como en mantener valores óptimos en biomarcadores. Una herramienta predictiva con las capacidades de este modelo puede marcar un nuevo capítulo, al ofrecer una predicción precisa del riesgo futuro de enfermedades asociadas al envejecimiento.
Este modelo y otros en desarrollo podrían mejorar su exactitud incorporando datos adicionales, como los provenientes de relojes epigenéticos, información genómica individual y otras fuentes de diferentes -ómicas.
En Clínica Neleva se continuará monitorizando de cerca estos avances con el fin de implementarlos para los pacientes tan pronto se encuentren disponibles y hayan recibido validación para su uso clínico. Esto permitirá perfeccionar aún más la prevención y mejorar la calidad de vida.