Biologia Molecular Mexico

En pocas palabras

Un equipo de investigadores ha desarrollado un modelo de inteligencia artificial llamado Delphi-2M, basado en la misma tecnología “transformer” que utiliza ChatGPT. En lugar de predecir la siguiente palabra en una oración, Delphi-2M predice la siguiente enfermedad en la “historia clínica” de una persona y cuándo ocurrirá. Entrenado con los datos de salud anónimos de más de 2 millones de personas del Reino Unido y Dinamarca, este modelo puede pronosticar con una precisión asombrosa la aparición de más de 1,000 enfermedades.

Lo más revolucionario es su capacidad “generativa”: puede simular trayectorias de salud futuras completas para una persona, ayudando a estimar la carga de enfermedad a largo plazo. Además, no es una “caja negra”; los científicos pueden preguntarle por qué hizo una predicción, revelando las complejas interconexiones entre enfermedades a lo largo del tiempo. Aunque aún enfrenta desafíos como los sesgos en los datos, Delphi-2M representa un paso gigantesco hacia una medicina verdaderamente personalizada y predictiva.

Nueva frontera de AI

Imagina que tu historial médico no es solo una lista de diagnósticos y fechas, sino una biografía completa de tu salud, con su propia gramática, narrativa y posibles capítulos futuros. Ahora, imagina una inteligencia artificial capaz no solo de leer esa biografía, sino también de predecir cómo continuará. Esto, que suena a ciencia ficción, es precisamente lo que ha logrado un equipo de científicos en un estudio publicado en la prestigiosa revista Nature. Su creación, llamada Delphi-2M, es un “oráculo” médico moderno que podría cambiar la forma en que entendemos y gestionamos las enfermedades.

Enseñando a una IA el lenguaje de las enfermedades

El corazón de Delphi-2M es la arquitectura “transformer”, la misma tecnología que permite a modelos como ChatGPT entender y generar lenguaje humano. Los investigadores tuvieron una idea brillante: ¿y si la progresión de las enfermedades a lo largo de la vida de una persona sigue una lógica similar a la de las palabras en una oración?

Para enseñarle este nuevo “idioma”, alimentaron al modelo con una cantidad monumental de datos: los historiales de salud anónimos de 400,000 participantes del UK Biobank y los validaron con los de 1.9 millones de ciudadanos daneses. Cada “token” o “palabra” en este lenguaje no era “gato” o “casa”, sino un evento de salud, como “asma a los 45 años”, “diagnóstico de hipertensión a los 58” o “fractura de muñeca a los 62”.

Al procesar millones de estas “biografías de salud”, Delphi-2M aprendió los patrones, las conexiones y la cronología oculta de las enfermedades. Aprendió, por ejemplo, que ciertos diagnósticos tienden a seguir a otros, y a qué ritmo suelen hacerlo, convirtiéndose en un experto en la “historia natural” de las enfermedades humanas.

¿Qué puede hacer este “Oráculo” médico?

Las capacidades de Delphi-2M son asombrosas y van mucho más allá de los modelos predictivos actuales, que suelen centrarse en una sola enfermedad a la vez.

1. Predicciones de alta precisión: El modelo puede predecir el riesgo de más de 1,000 enfermedades simultáneamente. Su precisión es comparable, y en muchos casos superior, a las herramientas clínicas que los médicos usan hoy para calcular el riesgo de enfermedades cardíacas o demencia. Su capacidad para predecir el riesgo de muerte, por ejemplo, es extraordinariamente alta, alcanzando un 97% de precisión (AUC de 0.97).

2. Generar el futuro (sintéticamente): Aquí es donde Delphi-2M brilla con luz propia. Al igual que puedes pedirle a ChatGPT que escriba diferentes finales para un cuento, los científicos pueden pedirle a Delphi-2M que genere posibles “trayectorias de salud” para una persona durante los próximos 10, 15 o 20 años, basándose en su historial hasta la fecha. Esta capacidad es revolucionaria para la salud pública, ya que permite a los gobiernos y hospitales simular la carga de enfermedades futuras en su población y planificar los recursos necesarios. Además, permite crear “pacientes sintéticos” para la investigación, protegiendo al máximo la privacidad de los datos reales.

3. Abriendo la “caja negra” de la IA: Uno de los mayores problemas de la IA en medicina es que a menudo son “cajas negras”: dan una respuesta, pero no explican el porqué. Delphi-2M es diferente. Utilizando técnicas de “IA explicable”, los investigadores pueden interrogar al modelo para entender su razonamiento. Por ejemplo, en un caso, el modelo predijo un riesgo 19 veces mayor de cáncer de páncreas. Al analizarlo, descubrieron que la IA basó su predicción en una serie de diagnósticos digestivos previos del paciente. Esto no solo genera confianza, sino que también ayuda a los médicos a descubrir conexiones sutiles entre enfermedades que podrían pasar desapercibidas.

Un oráculo poderoso, pero no infalible

Los creadores de Delphi-2M son los primeros en señalar sus limitaciones. Un oráculo solo es tan bueno como el conocimiento con el que se alimenta. El modelo aprende y, por tanto, reproduce los sesgos presentes en los datos. Por ejemplo, el UK Biobank tiene una sobrerrepresentación de personas blancas y con un estatus socioeconómico más alto. Delphi-2M aprende estas disparidades.

Además, puede confundir correlaciones biológicas con artefactos del sistema de salud. Si una enfermedad rara solo se diagnostica en hospitales, el modelo podría asociarla incorrectamente con cualquier otra condición que lleve a una persona al hospital. Por ello, su implementación clínica debe ser extremadamente cuidadosa y supervisada por expertos humanos.

Un nuevo capítulo para la medicina

Delphi-2M no viene a reemplazar a los médicos, sino a darles una de las herramientas más poderosas jamás creadas. Abre la puerta a una medicina verdaderamente proactiva y personalizada, donde se puedan identificar riesgos con años de antelación y tomar medidas preventivas. Es un paso de gigante para desentrañar la compleja red de enfermedades que define nuestra vida y, quizás, para aprender a reescribir nuestro futuro de salud.

Referencia del artículo

Shmatko, A., Jung, A. W., Gaurav, K., Brunak, S., Mortensen, L. H., Birney, E., Fitzgerald, T., & Gerstung, M. (2025). Learning the natural history of human disease with generative transformers. Nature. Publicado en línea el 17 de septiembre de 2025. https://doi.org/10.1038/s41586-025-09529-3