La inteligencia artificial está revolucionando el campo de la medicina preventiva y personalizada. Un reciente estudio publicado en la revista Nature ha presentado avances significativos en la predicción de enfermedades que podrían aparecer en un plazo de 20 años, gracias a un innovador modelo llamado Delphi-2M. Esta tecnología no solo se plantea como una herramienta clave para anticipar problemas de salud, sino que su utilización plantea también interrogantes sobre su posible mal uso por parte de aseguradoras y entidades financieras.
La importancia de la predicción temprana en salud
En la medicina preventiva, la capacidad de anticipar enfermedades con décadas de antelación es un avance crucial que podría ayudar a modificar estilos de vida o a diseñar políticas de salud más eficaces. A medida que las personas envejecen, es común que presenten episodios de salud variables, desde períodos de buena salud hasta el desarrollo de afecciones crónicas. Cada individuo experimenta estos cambios de manera distinta, influenciado por factores como la genética, el estilo de vida y la situación socioeconómica.
Para evaluar la salud futura de un paciente, es fundamental contar con una visión completa de su historial médico. No se trata solo de analizar diagnósticos aislados, sino de estudiar su evolución a lo largo del tiempo, comprendiendo las interacciones entre diversas enfermedades y recomendando intervenciones específicas.
Avances del modelo Delphi-2M
Investigadores del Instituto Europeo de Bioinformática, el DKFZ (Centro Alemán de Investigación del Cáncer) y varias instituciones danesas han desarrollado Delphi-2M, un modelo que integra la misma tecnología que alimenta modelos de lenguaje como ChatGPT. Este modelo tiene la capacidad de estudiar patrones de salud a partir de historiales médicos, hábitos de vida y condiciones previas.
Moritz Gerstung, director de la División de Inteligencia Artificial en Oncología del DKFZ y coautor del estudio, comenta: “El hallazgo más inesperado fue que el modelo puede predecir más de 1.000 enfermedades. Habríamos esperado que funcionara con algunas, pero que fallara con muchas otras. Esto muestra lo interconectadas que están muchas enfermedades y subraya la necesidad de investigar los mecanismos subyacentes que las conectan”.
Delphi-2M ha sido entrenado con datos de aproximadamente 400.000 personas en el Reino Unido y validado con registros de casi dos millones de pacientes en Dinamarca. La efectividad del modelo permite proyectar trayectorias de salud tanto a nivel poblacional como individual durante dos décadas.
Un enfoque probabilístico
Al igual que las predicciones meteorológicas, las predicciones de Delphi-2M no garantizan certezas, sino que calculan probabilidades sobre el riesgo de padecer ciertas enfermedades en un período específico. Así, cuando se evalúa el riesgo de infarto en los próximos 10 años, el modelo alcanza un 70% de aciertos. Sin embargo, cuando se extiende la previsión a 20 años, la tasa de precisión disminuye al 14%, que sigue siendo superior al 12% conseguido solo conociendo edad y sexo.
Por ejemplo, el modelo estima que los hombres de entre 60 y 65 años en la cohorte del Biobanco del Reino Unido tienen un riesgo anual de infarto que oscila entre 4 de cada 10.000 hasta 1 de cada 100, según sus antecedentes médicos y hábitos. Mientras tanto, el riesgo medio para las mujeres es inferior, aunque la variabilidad se mantiene similar. Los resultados del modelo se han validado comparando sus predicciones con la incidencia real de casos en diferentes grupos de edad y sexo, confirmando que los riesgos calculados reflejan fielmente las tendencias poblacionales.
Comparativa con otros modelos de predicción
Delphi-2M muestra una precisión que se asemeja a los modelos diseñados específicamente para enfermedades individuales, como la demencia o el infarto de miocardio, y supera algoritmos que predicen la mortalidad. En el caso de la diabetes, sin embargo, el indicador de hemoglobina glicosilada HbA1c sigue siendo más fiable.
El estudio también identifica enfermedades que pueden aumentar el riesgo de otras, como los trastornos mentales o ciertos tipos de tumores en el aparato reproductivo femenino.
Retos éticos y de aplicación
A pesar de sus potencialidades, la proyección de enfermedades futuras plantea preguntas sobre su impacto en la salud mental de los individuos. Gerstung sugiere que se deben llevar a cabo más estudios para explorar cómo este conocimiento puede beneficiar verdaderamente a los pacientes. Considera que las aplicaciones de la IA en medicina deberían ser sometidas a ensayos clínicos aleatorizados, donde un grupo reciba atención médica junto a apoyo de AI y otro no, para medir si existen diferencias significativas en los beneficios obtenidos.
No menos relevante es el riesgo de discriminación por parte de entidades como aseguradoras, las cuales podrían utilizar estos datos para descartar a pacientes que consideren menos rentables. Guillermo Lazcoz, miembro del Comité de Ética de la Investigación del Instituto de Salud Carlos III, argumenta que la utilización de IA en grandes bases de datos sanitarias introduce nuevos riesgos, incluyendo la identificación de personas a partir de datos que deberían ser anónimos.
Mecanismos de protección y regulaciones
A pesar de los riesgos, Lazcoz señala que existen numerosas capas de control en Europa para prevenir el uso indebido de datos biomédicos. El acceso a biobancos, por ejemplo, exige que los investigadores justifiquen sus criterios científicos y limita el uso de muestras a fines autorizados. Según Mikel Recuero, investigador de la Universidad del País Vasco y experto en protección de datos, la regulación sobre datos identificables obliga a restringir su uso para evitar aplicaciones en el ámbito asegurador y financiero.
El nuevo reglamento europeo del espacio de datos de salud refuerza esta postura, prohibiendo que decisiones comerciales se basen en información genética. A pesar de que los riesgos están presentes, existen mecanismos éticos, regulatorios y jurídicos que buscan limitar el uso indebido de la información y garantizar un beneficio social en los proyectos que manejan estos datos.
Una nueva era de datos sintéticos
Uno de los avances más interesantes del modelo Delphi-2M es su capacidad para generar datos de salud sintéticos. A partir de información parcial, el modelo crea trayectorias completas que conservan propiedades estadísticas de los datos reales, sin relacionarse con individuos en particular. Esto no solo protege la privacidad de los pacientes, sino que también permite el entrenamiento de otros modelos de IA sin necesidad de acceder a datos clínicos sensibles.
Gracias a esta capacidad, se podría explorar el impacto potencial en la salud pública si, por ejemplo, la obesidad en una población aumentara en un 5%.
Conclusiones
Si bien ya existen algoritmos que predicen el riesgo de padecer ciertas enfermedades, el enfoque de Delphi-2M abarca la complejidad de la salud humana, caracterizada por la interacción entre múltiples enfermedades. En un contexto de envejecimiento poblacional, la habilidad de prever la carga de enfermedades y formular políticas preventivas será fundamental para enfrentar los retos que plantea el futuro de la salud.
Para más información sobre los avances en inteligencia artificial y su aplicación en el campo de la salud, se invita a los lectores a seguir explorando el contenido de este blog.
