Fuente: Delphi-2M https://gacetamedica.com/investigacion/delphi-2m-modelo-ia-anticipar-progresion-millar-enfermedades/
Delphi-2M es un modelo de IA capaz de anticipar la progresión de más de un millar de enfermedades
La herramienta ha sido entrenada con datos de más de 400.000 personas del Biobanco del Reino Unido y validada con registros de casi 2 millones de personas en Dinamarca
Un equipo internacional de investigadores ha publicado en la revista Nature los resultados obtenidos del desarrollo de Delphi-2M, un modelo de inteligencia artificial (IA) basado en arquitecturas de lenguaje de gran escala (LLM) capaz de predecir el riesgo de más de 1.000 enfermedades a partir del historial clínico de cada persona. La herramienta, entrenada con datos de más de 400.000 participantes del Biobanco del Reino Unido y validada posteriormente con registros de casi dos millones de personas en Dinamarca, logra estimar trayectorias de salud individuales con una precisión comparable o incluso superior a la de los modelos predictivos existentes centrados en patologías concretas.
El modelo introduce una innovación metodológica clave: considera la naturaleza temporal de la progresión multienfermedad. De forma análoga a cómo los LLM aprenden gramática y contexto a partir de grandes volúmenes de texto, Delphi-2M infiere patrones de evolución clínica al analizar secuencias de información médica.
Según sus creadores, esta aproximación permite simular la carga acumulada de enfermedades a lo largo de hasta dos décadas, lo que abre la puerta a aplicaciones tanto en el ámbito clínico como en la planificación sanitaria.
Una predicción más allá de una sola enfermedad
Delphi-2M recapitula con consistencia los patrones de incidencia de enfermedades observados en el Biobanco del Reino Unido. Frente a modelos de riesgo diseñados para una única patología, Delphi-2M muestra ventajas en la predicción poblacional y en la integración de comorbilidades, lo que lo convierte en una herramienta potencialmente útil para la medicina de precisión.
En los análisis realizados, la IA fue capaz de detectar agrupaciones persistentes de comorbilidades, como las enfermedades de salud mental, y de cuantificar cómo ciertas patologías modifican la trayectoria vital. Así, se observó que los cánceres incrementan de manera sostenida la mortalidad, mientras que el impacto de un infarto de miocardio o una septicemia tiende a remitir tras cinco años.
Además de su capacidad predictiva, Delphi-2M puede generar datos sintéticos que preservan patrones estadísticos de coocurrencia sin revelar información personal. Esta funcionalidad podría ser valiosa para entrenar nuevos modelos de IA en salud minimizando riesgos de privacidad.
Limitaciones y cautelas
Además, los investigadores también subrayan varias limitaciones. Una de las principales es el sesgo de selección del Biobanco del Reino Unido, conocido por incluir mayoritariamente a voluntarios más sanos que la media poblacional. Asimismo, la heterogeneidad de las fuentes de datos influyó en algunas predicciones, lo que obliga a ser prudentes en la extrapolación de resultados a otros sistemas sanitarios.
Otra limitación identificada es que, aunque Delphi-2M detecta variaciones en las tasas de enfermedad asociadas a antecedentes familiares o nivel socioeconómico, no mostró una tendencia clara en relación con estilos de vida o año de nacimiento, factores clave en la epidemiología moderna.
Por todo ello, los autores insisten en que esta tecnología debe considerarse como una herramienta complementaria al diagnóstico clínico, más que como un sustituto de los procesos médicos actuales.
Hacia una IA multimodal en salud
Una de las fortalezas de Delphi-2M es su arquitectura basada en transformadores, lo que facilita la incorporación de nuevas capas de datos. En el futuro, el modelo podría integrar información sobre estilo de vida, biomarcadores sanguíneos, registros de recetas, imágenes médicas, datos genómicos o información obtenida de dispositivos portátiles (wearables).
Según los autores, también es plausible que modelos similares lleguen a procesar directamente texto clínico no estructurado, lo que ampliaría de forma significativa su aplicabilidad. Incluso se plantea que Delphi-2M pueda servir como módulo de precisión dentro de los propios LLM clínicos, reduciendo la tendencia de estas herramientas a generar respuestas inexactas o «alucinaciones».
Asimismo, el estudio identifica múltiples escenarios de uso. Entre ellos, destaca el apoyo a la toma de decisiones médicas, permitiendo identificar pacientes con alto riesgo que podrían beneficiarse de pruebas diagnósticas adicionales o ser incluidos en programas de cribado antes de cumplir los criterios convencionales de edad.
Otro campo prometedor es el de la planificación sanitaria a gran escala. Al agregar predicciones individuales, Delphi-2M podría ayudar a proyectar la carga de enfermedad prevista a nivel local, regional o nacional, revelando con antelación las comunidades con mayores necesidades de recursos asistenciales en las próximas décadas.
Los autores reconocen, no obstante, que la implementación en la práctica clínica requerirá de un marco regulatorio específico para la IA en salud, un terreno todavía en fase temprana de desarrollo.
Reacciones de expertos
Desde la comunidad científica, las primeras valoraciones destacan el potencial de Delphi-2M, pero también llaman a la prudencia.
En declaraciones a Science Media Centre Reino Unido, Gustavo Sudre, profesor de Neuroimagen Genómica e Inteligencia Artificial en el King’s College de Londres, el avance representa «un paso significativo hacia una forma de modelización predictiva en medicina que sea escalable, interpretable y, lo que es más importante, éticamente responsable». El investigador subraya que la IA explicable es esencial para la adopción clínica y apunta a la integración futura de datos como biomarcadores, imágenes o genómica: «Con estas futuras integraciones, la plataforma Delphi está bien posicionada para evolucionar hacia una herramienta de medicina de precisión verdaderamente multimodal».
Por su parte, Peter Bannister, experto en atención sanitaria y miembro de la Institution of Engineering and Technology, destaca la validación del modelo en dos grandes cohortes nacionales, pero advierte sobre los sesgos de los conjuntos de datos: «Aún queda mucho camino por recorrer para mejorar la atención sanitaria, ya que los autores reconocen que ambos conjuntos presentan sesgos en cuanto a edad, origen étnico y resultados sanitarios actuales».
Bannister pone el foco en un desafío más inmediato: garantizar que la infraestructura digital y las competencias necesarias estén disponibles para todos los pacientes, independientemente de su contexto socioeconómico. «El reto inmediato para la asistencia sanitaria es asegurar que las tecnologías actualmente disponibles puedan ofrecerse a quienes más necesitan mejorar su acceso a los tratamientos», subraya.
La publicación de Delphi-2M supone un avance hacia modelos predictivos multienfermedad, capaces de capturar la complejidad de la salud humana en escenarios de envejecimiento poblacional y creciente carga de comorbilidades. Aunque la herramienta se encuentra todavía en fase de validación y enfrenta limitaciones relevantes, su potencial para apoyar la medicina preventiva, la planificación sanitaria y la investigación biomédica es evidente.
Como concluyen los propios autores, el objetivo final no es reemplazar la labor clínica, sino ofrecer un apoyo basado en evidencia y en integración de datos que permita anticipar necesidades, mejorar la precisión diagnóstica y optimizar la distribución de recursos en los sistemas de salud del futuro.