Un equipo de científicos del Laboratorio Europeo de Biología Molecular, en colaboración con el Centro Alemán de Investigación del Cáncer (DKFZ) y la Universidad de Copenhague, ha desarrollado un avanzado modelo de inteligencia artificial que, utilizando extensos registros médicos, puede prever la evolución de la salud humana a largo plazo. Este modelo es capaz de evaluar el riesgo y la secuencia temporal de más de 1.000 enfermedades, prediciendo los posibles resultados de salud con más de diez años de anticipación, según se detalla en la publicación científica ‘Nature’.
Este innovador modelo de IA generativa ha sido concebido a partir de principios algorítmicos análogos a los usados en los modelos de lenguaje extenso (LLM), y se ha entrenado con datos anónimos de más de 400.000 participantes del Biobanco del Reino Unido. Además, se ha probado con éxito en 1,9 millones de pacientes del Registro Nacional de Pacientes de Dinamarca, demostrando su capacidad para modelar la progresión de las enfermedades humanas en dos sistemas de salud totalmente diferentes.
“Nuestro modelo de IA es una prueba de concepto que demuestra que la IA puede aprender muchos de nuestros patrones de salud a largo plazo y utilizar esta información para generar predicciones significativas”, afirmó Ewan Birney, director ejecutivo interino del Laboratorio Europeo de Biología Molecular (EMBL). “Al modelar la evolución de las enfermedades a lo largo del tiempo, podemos empezar a explorar cuándo surgen ciertos riesgos y cómo planificar mejor las intervenciones tempranas. Es un gran paso hacia enfoques más personalizados y preventivos de la atención médica”.
Al igual que los modelos de lenguaje extenso aprenden la estructura de las oraciones, este modelo de IA asimila la ‘gramática’ de los datos de salud para simular los historiales médicos como secuencias de eventos que se suceden en el tiempo. El modelo es capaz de prever el riesgo de enfermedad basándose en el orden de estos eventos y el intervalo entre ellos. “Los eventos médicos suelen seguir patrones predecibles”, explicó Tom Fitzgerald, científico del Instituto Europeo de Bioinformática del EMBL (EMBL-EBI). “Nuestro modelo de IA aprende esos patrones y puede predecir futuros resultados de salud. Nos permite explorar qué podría suceder con base en el historial médico de una persona y otros factores clave. Fundamentalmente, esto no es una certeza, sino una estimación de los riesgos potenciales”.
El modelo es particularmente efectivo en condiciones con patrones de progresión claros y consistentes, como algunos tipos de cáncer, infartos y septicemia. No obstante, es menos fiable en condiciones más variables, como los trastornos de salud mental o complicaciones del embarazo que dependen de eventos vitales impredecibles. Como los pronósticos meteorológicos, este modelo de IA ofrece probabilidades, no certezas. Por ejemplo, podría estimar la probabilidad de desarrollar una enfermedad cardíaca en el próximo año. Estas probabilidades se expresan como tasas a lo largo del tiempo, de manera similar a prever un 70% de probabilidad de lluvia mañana. Generalmente, los pronósticos a corto plazo son más precisos que los de largo plazo.
El modelo no está listo para su uso clínico, pero ya podría ayudar a los investigadores a comprender cómo se desarrollan y progresan las enfermedades con el tiempo; explorar cómo el estilo de vida y las enfermedades pasadas afectan el riesgo de enfermedad a largo plazo; y simular resultados de salud utilizando datos artificiales de pacientes, en situaciones donde los datos del mundo real son difíciles de obtener o acceder. A futuro, herramientas de IA similares podrían ayudar a los profesionales clínicos a identificar de forma temprana a pacientes de alto riesgo. Con el envejecimiento de la población y el aumento de las tasas de enfermedades crónicas, la capacidad de predecir las necesidades sanitarias futuras podría ayudar a los sistemas sanitarios a planificar mejor y asignar recursos de forma más eficiente. No obstante, se necesitan muchas más pruebas, consultas y marcos regulatorios sólidos antes de que los modelos de IA puedan implementarse en el ámbito clínico.