Un avance significativo en el campo de la inteligencia artificial permite prever la aparición de más de mil enfermedades con décadas de antelación. Este innovador modelo, conocido como Delphi-2M, analiza historiales médicos, factores de estilo de vida y condiciones de salud previas para proyectar trayectorias de salud individuales y poblacionales. Publicado en la revista Nature, este desarrollo abre nuevas vías para la medicina preventiva y personalizada, aunque plantea importantes consideraciones éticas sobre el uso de los datos.
La capacidad de anticipar riesgos de salud con tanta precisión podría transformar la gestión de enfermedades crónicas y la implementación de políticas sanitarias. Sin embargo, expertos advierten sobre el posible uso indebido de esta información por parte de entidades como aseguradoras o bancos, lo que subraya la necesidad de marcos regulatorios robustos para proteger la privacidad y evitar la discriminación.
Puntos Clave
- Delphi-2M, un modelo de IA, predice más de 1.000 enfermedades con décadas de antelación.
- Utiliza historiales médicos y estilo de vida para proyectar riesgos de salud.
- La precisión del modelo es comparable a los mejores algoritmos específicos para enfermedades como la demencia o el infarto.
- Ofrece probabilidades, no certezas, sobre la aparición de enfermedades.
- Expertos alertan sobre posibles riesgos de discriminación por parte de aseguradoras y bancos.
- Se necesitan ensayos clínicos para evaluar los beneficios y efectos emocionales en pacientes.
Delphi-2M: Un Enfoque Novedoso en Predicción de Salud
Investigadores del Instituto Europeo de Bioinformática, el DKFZ (Centro Alemán de Investigación del Cáncer) y varias instituciones danesas han desarrollado Delphi-2M. Este modelo de inteligencia artificial utiliza la misma tecnología que impulsa los grandes modelos de lenguaje, como ChatGPT. Su objetivo es aprender y predecir la evolución natural de más de mil enfermedades simultáneamente.
El algoritmo ha sido entrenado con datos de 400.000 personas del Reino Unido. Posteriormente, se validó con registros de casi dos millones de pacientes en Dinamarca. Esta extensa base de datos permite al modelo proyectar trayectorias de salud hasta por dos décadas, tanto a nivel individual como poblacional.
“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 resalta la necesidad de investigar los mecanismos subyacentes que las conectan”, explica Moritz Gerstung, director de la División de Inteligencia Artificial en Oncología del DKFZ y coautor del estudio.
Cómo Funciona la Predicción
Delphi-2M no ofrece diagnósticos definitivos, sino probabilidades. Similar a las predicciones meteorológicas, su fiabilidad es mayor a corto plazo. Por ejemplo, al predecir un infarto en los próximos 10 años, el modelo acierta en aproximadamente siete de cada diez casos. Cuando el período se extiende a dos décadas, la precisión se sitúa en un 14%, lo que es ligeramente superior al 12% que se logra solo conociendo la edad y el sexo del individuo.
Según el modelo, en la cohorte del Biobanco del Reino Unido, hombres de 60 a 65 años pueden tener un riesgo anual de infarto que varía de 4 por cada 10.000 hasta 1 por cada 100. Esta variación depende de sus antecedentes médicos y hábitos de vida. En mujeres, el riesgo promedio es menor, pero la dispersión de probabilidades es similar.
Dato Interesante
El modelo Delphi-2M ha demostrado una precisión comparable a los mejores modelos específicos para enfermedades como la demencia o el infarto de miocardio. Supera, además, a los algoritmos de predicción de mortalidad. Solo en el caso de la diabetes, un marcador de análisis de sangre (la hemoglobina glicosilada HbA1c) sigue siendo más fiable.
Implicaciones para la Salud Pública y Personal
Este tipo de tecnología tiene el potencial de transformar la medicina preventiva. Al identificar patrones de enfermedad y sus interconexiones, Delphi-2M puede sugerir cambios de vida específicos o recomendar pruebas diagnósticas. Estos pasos podrían vigilar dolencias concretas con mayor probabilidad de aparecer, mucho antes de que causen daño.
El estudio también ha identificado enfermedades que incrementan el riesgo de sufrir otras. Entre ellas se encuentran los trastornos mentales y algunos tumores del aparato reproductivo femenino. Comprender estas conexiones es crucial para desarrollar estrategias de prevención más efectivas.
Desarrollo y Evaluación Futura
Para que la IA sea un asistente médico útil en la práctica clínica, Moritz Gerstung sugiere la necesidad de más estudios. Propone ensayos clínicos aleatorizados donde un grupo de pacientes reciba visitas médicas con apoyo de IA y otro grupo sin él. Esto permitiría evaluar si el grupo asistido por IA obtiene mayores beneficios.
Además de los resultados de salud, estos ensayos deberían incluir evaluaciones subjetivas del bienestar de las personas. Esto permitiría valorar los efectos emocionales de conocer o no sus riesgos de enfermedad. La información sobre posibles dolencias futuras puede generar ansiedad, por lo que es vital considerar el impacto psicológico.
Contexto Tecnológico
Los modelos como GPT-4 o Gemini aprenden el lenguaje como una secuencia de palabras, prediciendo la siguiente en función del contexto. Los investigadores vieron una analogía en la salud: el historial médico de una persona puede entenderse como una secuencia de eventos (diagnósticos, factores de riesgo, hábitos) que siguen un orden temporal. Esta similitud ha permitido aplicar técnicas de procesamiento de lenguaje natural a los datos de salud.
Riesgos Éticos y Protección de Datos
Una herramienta de predicción de salud tan potente como Delphi-2M conlleva riesgos significativos. Guillermo Lazcoz, miembro del Comité de Ética de la Investigación del Instituto de Salud Carlos III, advierte sobre la discriminación. Las aseguradoras, por ejemplo, podrían considerar "poco interesantes" a pacientes con riesgos elevados. También existe la preocupación de que datos de salud acaben en manos de bancos para evaluar la propensión de un cliente a ciertas enfermedades antes de conceder un crédito.
La IA puede identificar a una persona a partir de datos que se suponían anónimos, lo que exige nuevas medidas de protección. En Europa, se están desarrollando "espacios seguros" para el tratamiento de datos. En estos entornos, la información no viaja y el acceso de terceros está limitado en el tiempo y a un propósito específico.
Marcos Legales y Controles
Mikel Recuero, investigador de la Universidad del País Vasco (EHU) y abogado especializado en protección de datos, coincide en la importancia de los controles. En el ámbito europeo, existen múltiples capas de control para impedir el uso indebido de datos biomédicos. El acceso a biobancos, por ejemplo, implica un filtro ético, donde los investigadores deben justificar la finalidad científica de su solicitud.
La normativa de protección de datos restringe el uso de información identificable a los propósitos autorizados, prohibiendo aplicaciones en seguros o banca. El nuevo reglamento del espacio europeo de datos de salud refuerza esta lógica. Prohíbe expresamente decisiones comerciales, como la modificación de primas de seguro, basadas en información genética.
- Filtros éticos: Los investigadores deben justificar la finalidad científica del uso de datos.
- Controles de protección de datos: Restringen el uso de información identificable a propósitos autorizados.
- Reglamento europeo de datos de salud: Prohíbe decisiones comerciales basadas en información genética.
Aunque los riesgos nunca desaparecen por completo, existen mecanismos sucesivos (éticos, regulatorios, jurídicos) que actúan preventivamente. Estos limitan las posibilidades de discriminación y obligan a acreditar un beneficio social en cada proyecto que utilice estos datos.
El Futuro de la Predicción de Enfermedades
Aunque el modelo Delphi-2M aún necesita mejoras para su aplicación directa en pacientes, ya es una herramienta valiosa. Permite comprender mejor cómo se desarrollan y progresan las enfermedades. También ayuda a evaluar cómo el estilo de vida y las enfermedades pasadas influyen en el riesgo de futuras dolencias.
Uno de los aspectos más innovadores del trabajo es la capacidad de Delphi para generar datos de salud sintéticos. A partir de información parcial, el modelo puede crear trayectorias completas que mantienen las propiedades estadísticas de los datos reales, pero sin corresponderse con ninguna persona en particular. Esto protege la privacidad de los pacientes y permite entrenar otros modelos de IA sin acceder a datos clínicos sensibles.
Aplicación Potencial
Con datos sintéticos, se podría, por ejemplo, calcular el impacto en la salud de la población si la obesidad aumenta en un 5%, facilitando la planificación de políticas de salud pública.
Actualmente, existen algoritmos que predicen el riesgo de enfermedades específicas, como problemas cardíacos o cáncer de mama. Sin embargo, estos enfoques no abarcan la complejidad de la salud humana, donde múltiples enfermedades a menudo coexisten e interactúan. En sociedades cada vez más envejecidas, la capacidad de prever la carga de muchas enfermedades será crucial para diseñar políticas e inversiones. El objetivo es prevenirlas y estar preparados para cuando lleguen.
