Un nuevo aliado en la predicción médica
El equipo liderado por Moritz Gerstung y Ewan Birney ha presentado en Nature el modelo Delphi-2M, una versión adaptada del popular GPT (transformer generativo) entrenada para aprender cómo evolucionan las enfermedades humanas a lo largo del tiempo. A diferencia de los modelos tradicionales centrados en una sola dolencia, Delphi-2M puede anticipar más de 1.000 diagnósticos diferentes utilizando códigos ICD-10 y variables como sexo, índice de masa corporal, consumo de alcohol y tabaco.
Gracias a su capacidad generativa, Delphi-2M puede simular trayectorias completas de salud de un individuo, lo que permite estimar la carga de enfermedad futura en poblaciones enteras. Esta capacidad tiene implicaciones directas para la planificación sanitaria, la investigación epidemiológica y el diseño de programas de cribado más eficientes.
Un modelo entrenado a escala poblacional
El modelo se ha entrenado con datos de 402.799 participantes del UK Biobank, validándose posteriormente con registros médicos de 1,9 millones de ciudadanos daneses. A pesar de las diferencias entre ambos sistemas sanitarios, Delphi-2M mantuvo un rendimiento robusto, con una puntuación AUC media de 0,67 en Dinamarca, solo ligeramente inferior a la obtenida en Reino Unido (0,69).
Esta robustez sugiere que los patrones de comorbilidad aprendidos por el modelo reflejan características universales del progreso de las enfermedades humanas, más allá de contextos locales.
Una herramienta explicable
Uno de los retos habituales de los sistemas de IA es su falta de transparencia. Para paliarlo, Delphi-2M incorpora herramientas de explainable AI, como los valores SHAP, que permiten identificar cómo influye cada enfermedad previa en la aparición de diagnósticos futuros.
Por ejemplo, una serie de diagnósticos digestivos puede aumentar en 19 veces el riesgo de cáncer de páncreas. A su vez, esta enfermedad multiplica casi por 10.000 el riesgo de muerte. Estos análisis no solo validan el modelo, sino que también ayudan a entender mejor los mecanismos de progresión de las enfermedades.
Simulación de datos y privacidad
Además de predecir, Delphi-2M puede generar datos médicos sintéticos realistas. Esto es especialmente valioso para investigaciones que requieren grandes volúmenes de datos, pero que deben evitar el uso de información personal sensible.
En pruebas internas, un modelo entrenado exclusivamente con datos sintéticos generados por Delphi-2M alcanzó un AUC de 0,74, solo tres puntos por debajo del modelo original. Esto demuestra que la IA puede crear datos útiles sin comprometer la privacidad.
Posibles aplicaciones y limitaciones
Delphi-2M podría aplicarse para identificar a personas con alto riesgo de enfermedad antes de que los síntomas aparezcan, optimizar el uso de recursos sanitarios y anticipar necesidades médicas en poblaciones envejecidas.
Sin embargo, también existen limitaciones. El modelo refleja los sesgos del UK Biobank, como la infrarepresentación de ciertas etnias y clases sociales. Además, los sesgos en los registros médicos (como la ausencia de datos hospitalarios en algunos pacientes) también se reflejan en las predicciones del sistema.
¿El futuro de la medicina?
Este avance representa un paso importante hacia una medicina predictiva y personalizada basada en inteligencia artificial. A diferencia de otras herramientas, Delphi-2M integra múltiples fuentes de información y ofrece predicciones temporalmente precisas, incluso décadas en el futuro.
Sus creadores destacan que, aunque aún no está listo para su uso clínico directo, el modelo puede servir como apoyo para la toma de decisiones médicas, evaluación de políticas públicas o desarrollo de nuevas líneas de investigación.
En palabras del equipo de investigación, Delphi-2M demuestra que «los modelos basados en transformadores son adecuados para tareas predictivas y generativas en salud«, lo que marca el inicio de una nueva era en el uso de la inteligencia artificial en medicina.
La fotografía de portada de esta noticia pertenece a National Cancer Institute y ha sido publicada en Unsplash
