{"id":121694,"date":"2025-09-17T21:32:08","date_gmt":"2025-09-17T21:32:08","guid":{"rendered":"https:\/\/www.europesays.com\/es\/121694\/"},"modified":"2025-09-17T21:32:08","modified_gmt":"2025-09-17T21:32:08","slug":"una-inteligencia-artificial-predice-el-riesgo-de-mas-de-1-000-enfermedades-y-simula-trayectorias-de-salud-a-20-anos","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/es\/121694\/","title":{"rendered":"Una inteligencia artificial predice el riesgo de m\u00e1s de 1.000 enfermedades y simula trayectorias de salud a 20 a\u00f1os"},"content":{"rendered":"

P.M.S
<\/strong>Investigadores del Laboratorio Europeo de Biolog\u00eda Molecular, en colaboraci\u00f3n con el Centro Alem\u00e1n de Investigaci\u00f3n del C\u00e1ncer (DKFZ) de Alemania y la Universidad de Copenhague de Dinamarca, han desarrollado una\u00a0herramienta de inteligencia artificial <\/strong>(IA) que predice el riesgo de m\u00e1s de 1.000 enfermedades y simula trayectorias de salud hasta 20 a\u00f1os<\/strong>. El modelo Delphi-2M se basa en el historial m\u00e9dico<\/strong> del paciente y muestra una precisi\u00f3n superior a la de tecnolog\u00edas existentes que se centran en menos patolog\u00edas.<\/p>\n

La herramienta de IA generativa<\/strong> se dise\u00f1\u00f3 a medida utilizando conceptos algor\u00edtmicos similares a los empleados en los modelos de lenguaje extenso (LLM<\/strong>). En concreto, se entren\u00f3 con datos sanitarios an\u00f3nimos de 400.000 participantes<\/strong> del Biobanco del Reino Unido y se prob\u00f3 usando datos de casi dos millones<\/strong> de personas en Dinamarca. El estudio, publicado en Nature<\/a>, muestra\u00a0c\u00f3mo la IA generativa puede modelar la progresi\u00f3n de enfermedades humanas a escala<\/strong>.<\/p>\n

\u00abNuestro modelo de IA es una prueba de concepto que demuestra que la IA puede aprender muchos de nuestros patrones de salud a largo plazo y utilizar esta informaci\u00f3n para generar predicciones significativas\u00bb, subraya Ewan Birney<\/strong>, director ejecutivo interino del Laboratorio Europeo de Biolog\u00eda Molecular (EMBL). \u00abAl modelar la evoluci\u00f3n de las enfermedades a lo largo del tiempo, podemos empezar a explorar cu\u00e1ndo surgen ciertos riesgos y c\u00f3mo planificar mejor las intervenciones tempranas. Es un gran paso hacia enfoques m\u00e1s personalizados y preventivos de la atenci\u00f3n m\u00e9dica\u00bb<\/strong>.<\/p>\n

Funciona como los modelos de lenguaje, pero aplicado a historiales m\u00e9dicos, aprendiendo la \u201cgram\u00e1tica\u201d de los datos de salud (diagn\u00f3sticos, h\u00e1bitos, tiempos entre eventos)<\/p>\n

As\u00ed como los modelos de lenguaje extensos pueden aprender la estructura de las oraciones, este modelo de IA aprende la gram\u00e1tica de los datos de salud para modelar los historiales m\u00e9dicos<\/strong> como secuencias de eventos que se desarrollan a lo largo del tiempo. Estos eventos incluyen diagn\u00f3sticos m\u00e9dicos o factores de estilo de vida como el tabaquismo. El modelo aprende a predecir el riesgo de enfermedad a partir del orden en que ocurren dichos eventos y el tiempo transcurrido entre ellos.<\/p>\n

\u00abLos eventos m\u00e9dicos suelen seguir patrones predecibles<\/strong>\u00bb, precisa Tom Fitzgerald<\/strong>, cient\u00edfico del Instituto Europeo de Bioinform\u00e1tica del EMBL (EMBL-EBI). \u00abNuestro modelo de IA aprende esos patrones y puede predecir futuros resultados de salud.<\/strong> Nos permite explorar qu\u00e9 podr\u00eda suceder con base en el historial m\u00e9dico de una persona y otros factores clave. Fundamentalmente, esto no es una certeza, sino una estimaci\u00f3n de los riesgos potenciales\u00bb.<\/p>\n

El modelo funciona especialmente bien en afecciones con patrones de progresi\u00f3n claros y consistentes, como ciertos tipos de c\u00e1ncer, infartos y septicemia<\/strong> (un tipo de envenenamiento de la sangre). Sin embargo, el modelo es menos fiable en afecciones m\u00e1s variables, como trastornos de salud mental o complicaciones relacionadas con el embarazo que dependen de eventos vitales impredecibles.<\/p>\n

Al igual que los pron\u00f3sticos meteorol\u00f3gicos, este nuevo modelo de IA proporciona probabilidades, no certezas.<\/strong> No predice con exactitud qu\u00e9 le suceder\u00e1 a una persona, pero ofrece estimaciones precisas de la probabilidad de que ciertas afecciones se presenten en un per\u00edodo determinado. Por ejemplo, podr\u00eda predecir la probabilidad de desarrollar una enfermedad card\u00edaca durante el pr\u00f3ximo a\u00f1o. Estos riesgos se expresan como tasas a lo largo del tiempo, similar a pronosticar un 70% de probabilidad de lluvia ma\u00f1ana. Generalmente, los pron\u00f3sticos a corto plazo tienen mayor precisi\u00f3n que los de largo plazo.<\/p>\n

Funciona especialmente bien en c\u00e1ncer, infartos y septicemia, aunque es menos fiable en trastornos mentales y embarazos<\/p>\n

Por ejemplo, el modelo predice diferentes niveles de riesgo de infarto<\/strong>. Considerando la cohorte del Biobanco del Reino Unido de 60 a 65 a\u00f1os, el riesgo de infarto var\u00eda desde una probabilidad de 4 entre 10.000 al a\u00f1o para algunos hombres hasta aproximadamente 1 entre 100 en otros, dependiendo de sus diagn\u00f3sticos previos y estilo de vida. Las mujeres presentan un riesgo menor en promedio, pero una distribuci\u00f3n similar del riesgo. Adem\u00e1s, los riesgos aumentan, en promedio, con la edad. Una evaluaci\u00f3n sistem\u00e1tica de datos del Biobanco del Reino Unido, no utilizados para la formaci\u00f3n, mostr\u00f3 que estos riesgos calculados se corresponden adecuadamente con el n\u00famero de casos observados en todos los grupos de edad y sexo.<\/p>\n

El modelo est\u00e1 calibrado para generar estimaciones precisas de riesgo a nivel poblacional<\/strong>, pronosticando la frecuencia con la que ciertas afecciones se presentan en grupos de personas. Sin embargo, como cualquier modelo de IA, presenta limitaciones<\/strong>. Por ejemplo, dado que los datos de entrenamiento del modelo, provenientes del Biobanco del Reino Unido, provienen principalmente de personas de entre 40 y 60 a\u00f1os, los eventos de salud infantil y adolescente est\u00e1n subrepresentados. El modelo tambi\u00e9n presenta sesgos demogr\u00e1ficos debido a la falta de datos de entrenamiento, incluyendo la subrepresentaci\u00f3n de ciertos grupos \u00e9tnicos.<\/p>\n

El modelo no est\u00e1 listo para su uso cl\u00ednico<\/strong>, pero podr\u00eda ayudar a los investigadores a: comprender c\u00f3mo se desarrollan y progresan las enfermedades con el tiempo; explorar c\u00f3mo el estilo de vida y las enfermedades pasadas afectan el riesgo de enfermedad a largo plazo, simular resultados de salud utilizando datos artificiales de pacientes, en situaciones donde los datos del mundo real son dif\u00edciles de obtener o acceder.<\/p>\n

A\u00fan no est\u00e1 listo para uso cl\u00ednico, pero promete avances hacia la medicina personalizada y preventiva, pese a sesgos en los datos y retos de equidad en la salud digital
\nReacciones de la comunidad cient\u00edfica<\/strong><\/p>\n

Gustavo Sudre<\/strong>,\u00a0profesor de Neuroimagen Gen\u00f3mica e Inteligencia Artificial en el King\u2019s College de Londres (Reino Unido) y titular de la c\u00e1tedra Rosetrees Pears de Bioinform\u00e1tica, destaca en declaraciones recogidas por\u00a0Science Media Centre<\/a>\u00a0<\/strong>(SMC<\/strong>) que \u00abesta investigaci\u00f3n parece ser un paso significativo hacia una forma de modelizaci\u00f3n predictiva en medicina que sea escalable, interpretable<\/strong> y, lo que es m\u00e1s importante, \u00e9ticamente responsable<\/strong>. La demostraci\u00f3n clara de c\u00f3mo se puede utilizar la IA explicable para modelizar predicciones es crucial si se quiere utilizar esta tecnolog\u00eda en la pr\u00e1ctica cl\u00ednica y sugiere que podr\u00eda ser posible identificar a las personas de alto riesgo que necesitan intervenci\u00f3n\u00bb.<\/p>\n

Aunque la versi\u00f3n actual se basa \u00fanicamente en registros cl\u00ednicos anonimizados, asegura que \u00abes alentador ver que la arquitectura del modelo<\/strong> se ha dise\u00f1ado deliberadamente para dar cabida a tipos de datos m\u00e1s ricos, como biomarcadores, im\u00e1genes e incluso gen\u00f3mica. Con estas futuras integraciones, la plataforma Delphi est\u00e1 bien posicionada para evolucionar hacia una herramienta de medicina de precisi\u00f3n verdaderamente multimodal\u00bb.<\/p>\n

Por su parte, Peter Bannister<\/strong>, experto en atenci\u00f3n sanitaria y miembro de la Institution of Engineering and Technology (Reino Unido), detalla al SMC que \u00abqueda mucho camino por recorrer<\/strong> para mejorar la atenci\u00f3n sanitaria, ya que los autores reconocen que ambos conjuntos de datos presentan sesgos en cuanto a edad, origen \u00e9tnico y resultados sanitarios actuales\u00bb.<\/p>\n

Bannister resalta que \u00absi bien la mejora de las puntuaciones de riesgo y el potencial de la medicina de precisi\u00f3n son objetivos interesantes para el futuro, el reto inmediato para la asistencia sanitaria es garantizar que exista una infraestructura digital y una base de competencias suficientes<\/strong> para todos, independientemente de su origen socioecon\u00f3mico, de modo que las tecnolog\u00edas actualmente disponibles puedan ofrecerse a quienes m\u00e1s necesitan mejorar su acceso a los tratamientos\u00bb.<\/p>\n","protected":false},"excerpt":{"rendered":"P.M.SInvestigadores del Laboratorio Europeo de Biolog\u00eda Molecular, en colaboraci\u00f3n con el Centro Alem\u00e1n de Investigaci\u00f3n del C\u00e1ncer (DKFZ)…\n","protected":false},"author":2,"featured_media":121695,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[92],"tags":[6090,1293,25,24,165,448,136,1294,166,23],"class_list":{"0":"post-121694","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-salud","8":"tag-b1","9":"tag-enfermedades","10":"tag-es","11":"tag-espana","12":"tag-health","13":"tag-historia","14":"tag-inteligencia-artificial","15":"tag-investigacion","16":"tag-salud","17":"tag-spain"},"share_on_mastodon":{"url":"","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/121694","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/comments?post=121694"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/121694\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media\/121695"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media?parent=121694"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/categories?post=121694"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/tags?post=121694"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}