Investigadors del Centre Alemany de Recerca del Càncer han desenvolupat una intel·ligència artificial capaç d’anticipar, basant-se en patrons estadístics, quines malalties podria tenir una persona al llarg de les pròximes dues dècades. El model, denominat Delphi‑2M, adapta l’arquitectura dels transformadors generatius —similars als dels models de llenguatge— per llegir i projectar històries clíniques completes. Més que diagnosticar un problema puntual, busca anticipar recorreguts.
Com aprèn a llegir una vida clínica
Segons l’article publicat a Nature, Delphi‑2M va ser entrenat amb les dades mèdiques de 402.800 persones del UK Biobank i validat externament amb gairebé dos milions d’historials danesos. A diferència d’altres models centrats en malalties específiques, aquest s’entrena amb seqüències cronològiques de diagnòstics, enriquides amb variables demogràfiques i d’estil de vida, com el tabaquisme, el consum d’alcohol, el sexe o l’índex de massa corporal.
El model no només prediu quines malalties podrien desenvolupar-se, sinó també en quin moment podrien fer-ho. Introdueix un mecanisme de predicció temporal per estimar l’interval entre esdeveniments mèdics, la qual cosa permet traçar una evolució probable al llarg dels anys. A més, pot generar trajectòries sintètiques completes, útils per a estudis i simulacions sanitàries sense comprometre dades reals.
Què aporta i per a què podria servir
Delphi‑2M estima riscos per a més de mil malalties diferents. Les seves prediccions permeten detectar vulnerabilitats abans que apareguin símptomes, guiar decisions clíniques preventives o planificar recursos en sistemes de salut. També permet estudiar la multimorbilitat, és a dir, l’acumulació de malalties al llarg de la vida, des d’una perspectiva més integral.
Els investigadors destaquen que, encara que no supera models específics en algunes malalties concretes, la seva força està en l’amplitud i la capacitat de modelar interaccions. La IA no només veu el que hi ha, intenta anticipar el que podria encadenar-se després.
Límits del model i de la dada
Els mateixos autors reconeixen les limitacions. El UK Biobank, base de l’entrenament, té una mostra amb biaixos, persones generalment més sanes, amb major nivell educatiu i d’ètnia blanca. Això afecta la capacitat de generalització del model.
Tampoc s’inclouen dades genètiques, ambientals o socials més detallades, i el rendiment disminueix en persones grans, on hi ha menys dades disponibles. A més, el model pot estar capturant patrons de com es documenta la salut més que de la salut mateixa: què es registra i quan, no necessàriament el que ocorre realment.
I, com tota predicció probabilística, els resultats són escenaris possibles, no diagnòstics. Un risc elevat no és una sentència. El desafiament està en com s’interpreten, es comuniquen i s’utilitzen aquestes prediccions sense caure en alarmismes o decisions prematures.
Una eina que projecta, no sentència
Saber abans no sempre significa saber millor. La potència de Delphi‑2M està en la seva capacitat per crear mapes probabilístics de futur, no en oferir certeses. En mans clíniques, pot ser una guia. En mans polítiques, una eina de planificació. Però en tots els casos requereix mediació, criteri i context.
L’article de Nature conclou que aquest tipus de models podrien redefinir la prevenció mèdica si s’integren amb cautela. La tecnologia està llesta per anticipar. El que falta per definir és com volem utilitzar aquest coneixement.
Obre un parèntesi en les teves rutines. Subscriu-te al nostre butlletí i posa’t al dia en tecnologia, IA i mitjans de comunicació.
