Predecir salud
Leer la historia clínica de los pacientes es la base del nuevo modelo 'Delphi‑2M', un modelo de lenguaje generativo publicado recientemente en 'Nature'. Igualmente cómo funcionan los 'chatboxes' como ChatGPT y Gemini –entrenados para completar textos de forma probabilística–, Delphi transforma datos clínicos de diagnósticos, edad, sexo y hábitos de vida en 'tokens' y aprende patrones temporales para predecir qué enfermedades podrás tener –y cuándo.
Entrenado a partir de la base de datos del UK Biobank, Delphi pretende ser un modelo holístico para predecir simultáneamente más de mil enfermedades –con una más que notable precisión media y una sorprendente estabilidad durante la validación externa con datos de población danesa. Pero no sólo predice. También puede generar trayectorias de salud sintéticas. Es decir: simular cómo evoluciona una persona entre los 60 y los 80 años, señalando qué diagnósticos previos contribuyen más a cada predicción. Su aplicación última sería anticiparse antes del diagnóstico y abrir sus puertas a una prevención primaria real.
Pero la frontera entre promesa y hipérbole es fina. Tal y como recuerda el cardiólogo Eric Topol en su comentario "'It's Time for Primary Prevention in Medicine'", la medicina ha fracasado históricamente en la prevención real de las enfermedades no transmisibles. Es cierto que hemos mejorado la detección precoz de un cáncer o una demencia, pero prevenirlas del todo sigue siendo un hito bastante alejado de la realidad. Delphi‑2M, según Topol, representa un cambio de paradigma porque puede individualizarlo con riesgo para individualizar el riesgo reales. Ahora bien, también admite que este tipo de modelos tienen limitaciones graves: sesgos de selección de datos, ruido en la codificación y anotación, ausencia de capas críticas contemporáneas como la genómica, y una falta total de validación prospectiva en entornos clínicos reales como ahora de modelo holísticos de predicción. Implementar un sistema como éste en práctica clínica puede comportar efectos colaterales imprevistos.Nature' lo dicen claro: el potencial predictivo no puede sustituir ni a la interpretación clínica ni a la ética del contexto de los pacientes.
También habrá que ver cómo se regula todo esto. ¿Qué gobernanza tendrán estos modelos? ¿Qué derechos tendrán los pacientes sobre sus predicciones? ¿Cómo se evitará que se perpetúen desigualdades en el acceso a la prevención?
Delphi‑2M es un adelanto aventajado. Pero debería ser sólo un primer paso. Para conseguir una auténtica prevención primaria, hace falta mucho más que predicciones. Debe pensarse y gestionarse cómo intervenir en la prevención, de forma justa y segura. Aquí, la tecnología debe caminar junto a la regulación, la medicina y la autonomía de los pacientes. Predecir enfermedades quizás nos ayuda a ver el futuro, pero entender cómo actuar es otra historia.