Desarrollan un modelo de IA capaz de predecir el riesgo de m\u00e1s de mil enfermedades con d\u00e9cadas de antelaci\u00f3nhttps:\/\/t.co\/1is2ZY56L4<\/a><\/p>\n \u2014 SINC (@agencia_sinc) September 21, 2025<\/a><\/p>\n<\/blockquote>\n Cient\u00edficos del Laboratorio Europeo de Biolog\u00eda Molecular (EMBL) y del Centro Alem\u00e1n de Investigaci\u00f3n Oncol\u00f3gica (DKFZ) han desarrollado un modelo de IA generativa capaz de analizar historiales m\u00e9dicos a gran escala y estimar c\u00f3mo evoluciona la salud humana a lo largo del tiempo.<\/p>\n El sistema predice tanto el riesgo como el momento probable de aparici\u00f3n de m\u00e1s de mil enfermedades. Para entrenarlo, se utilizaron datos an\u00f3nimos de m\u00e1s de 400 000 pacientes del UK Biobank, y se valid\u00f3 con informaci\u00f3n de 1,9 millones de personas del Registro Nacional de Pacientes Daneses.<\/p>\n<\/blockquote>\n Seg\u00fan sus desarrolladores, es una de las demostraciones m\u00e1s completas hasta la fecha de c\u00f3mo la IA generativa puede modelar la progresi\u00f3n de enfermedades humanas en distintos sistemas sanitarios. \u201cNuestro modelo de IA es una prueba de concepto: demuestra que es posible aprender de nuestros patrones de salud a largo plazo y usar esta informaci\u00f3n para generar predicciones valiosas\u201d, afirma Ewan Birney, director general interino del EMBL.<\/p>\n Planificar intervenciones preventivas<\/strong><\/p>\n \u201cSi modelamos c\u00f3mo se desarrollan las enfermedades a lo largo del tiempo, podemos empezar a explorar cu\u00e1ndo empiezan a emerger ciertos riesgos y esto nos permite planificar intervenciones preventivas. Es un gran paso hacia un sistema de salud personalizado y hacia la medicina preventiva\u201d, a\u00f1ade Birney.<\/p>\n Publicado en Nature, el trabajo es fruto de una colaboraci\u00f3n entre el EMBL, el DKFZ y la Universidad de Copenhague. Esta IA se basa en principios similares a los de los modelos de lenguaje a gran escala (LLM, por sus siglas en ingl\u00e9s), y aprende la \u2018gram\u00e1tica\u2019 de los datos de salud para representar los historiales m\u00e9dicos como secuencias de eventos \u2014diagn\u00f3sticos o factores de estilo de vida como el tabaquismo\u2014 que ocurren en un orden determinado y con intervalos temporales entre ellos.<\/p>\n<\/blockquote>\n \u201cLos eventos m\u00e9dicos a menudo siguen patrones predecibles\u201d, explica Tom Fitzgerald, investigador del EMBL. \u201cNuestro modelo de IA aprende esos patrones y puede predecir resultados de salud. Nos proporciona una v\u00eda para explorar lo que podr\u00eda pasarle a una persona bas\u00e1ndose en su historial m\u00e9dico y otros factores clave. Obviamente la predicci\u00f3n no es una certeza, sino una estimaci\u00f3n de los riesgos potenciales\u201d.<\/p>\n Estimaci\u00f3n de riesgos<\/strong><\/p>\n El sistema funciona especialmente bien en enfermedades con patrones de desarrollo consistentes, como ciertos tipos de c\u00e1ncer, infartos o sepsis. Como ocurre con las predicciones meteorol\u00f3gicas, ofrece probabilidades, no certezas. Por ejemplo, puede estimar el riesgo de desarrollar una enfermedad cardiovascular en el pr\u00f3ximo a\u00f1o, expresado como tasas a lo largo del tiempo, similar a prever un 70 % de probabilidad de lluvia.<\/p>\n Algunos eventos, como el riesgo de hospitalizaci\u00f3n por un infarto, se pueden anticipar con mayor precisi\u00f3n, mientras que otros presentan m\u00e1s incertidumbre. Las predicciones a corto plazo resultan m\u00e1s fiables que las de largo alcance. En cohortes del UK Biobank entre 50 y 55 a\u00f1os, el riesgo de infarto var\u00eda desde una probabilidad de 1 en 10 000 por a\u00f1o hasta 1 en 100, seg\u00fan diagn\u00f3sticos previos y estilo de vida. Las mujeres presentan un riesgo medio menor, pero con una distribuci\u00f3n similar.<\/p>\n<\/blockquote>\n En general, la probabilidad aumenta con la edad. Una evaluaci\u00f3n sistem\u00e1tica mostr\u00f3 que los riesgos calculados del modelo se corresponden bien con los casos observados.<\/p>\n Limitaciones y sesgos<\/strong><\/p>\n El modelo est\u00e1 calibrado para producir estimaciones precisas a escala poblacional, pero presenta limitaciones. Los datos del UK Biobank se centran en personas de entre 40 y 60 a\u00f1os, lo que deja fuera enfermedades pedi\u00e1tricas y adolescentes. Tambi\u00e9n existen sesgos demogr\u00e1ficos por la falta de diversidad en los datos, con subrepresentaci\u00f3n de ciertos grupos \u00e9tnicos.<\/p>\n Radiocable.com y su programa La Cafetera se financian con las aportaciones de lectores y oyentes. Necesitamos tu ayuda para sobrevivir. Si te gusta el periodismo que defiende el programa y sientes que te acompa\u00f1a, hazte suscriptor-mecenas aqu\u00ed<\/a>.<\/p>\n\n
\n
\n
![\"linea\"](\"https:\/\/www.europesays.com\/es\/wp-content\/uploads\/2025\/09\/linea1.png\")
<\/p>\n<\/p>\n
![\"Print](\"https:\/\/www.europesays.com\/es\/wp-content\/uploads\/2025\/09\/printfriendly-pdf-email-button-md.png\")
<\/a>