Un trabajo liderado por investigadores del European Molecular Biology Laboratory (EMBL) ha desarrollado un modelo de inteligencia artificial (IA) generativa que, en base a datos médicos individuales y de estilo de vida, puede predecir el riesgo de padecer más de un millar de enfermedades a largo plazo. Se trata de una prueba de concepto que no está disponible para su uso clínico, y los resultados se han publicado en la revista Nature.
Denominado Delphi-2M, el modelo sigue los parámetros de los grandes modelos de lenguaje, pero en vez de aprender la estructura del lenguaje humano se centra en identificar patrones en información sobre salud para generar predicciones en el tiempo.
La nueva herramienta se entrenó con datos de más de 1.000 enfermedades e información anonimizada de más de 400.000 participantes del UK BioBank. La validación se realizó con un conjunto de datos externo, concretamente con la información anonimizada de 1,9 millones de pacientes procedentes de registros daneses.
El rendimiento de Delphi-2M es comparable al de modelos existentes para una única enfermedad
En base a datos de una historia médica individual, Delphi-2M es capaz de estimar el riesgo de que ocurran determinades condiciones médicas a lo largo del tiempo como, por ejemplo, sufrir una enfermedad cardiovascular o una hospitalización. En cualquier caso, el modelo ofrece probabilidades, no certezas. No obstante, su rendimiento es comparable al de modelos de IA existentes para realizar predicciones sobre una única enfermedad.
Los autores consideran que, si bien presenta limitaciones por la infrarrepresentación de algunos grupos demográficos y étnicos en los datos de entrenamiento, el nuevo modelo puede ayudar a comprender mejor cómo el estilo de vida y eventos médicos anteriores influyen en el riesgo de enfermedades a largo plazo. Así mismo, también destacan que Delphi-2M puede resultar útil para simular trayectorias y resultados de salud a futuro.
Los investigadores sugieren que, en el futuro, la IA generativa podría ayudar a identificar a pacientes de alto riesgo, predecir necesidades de los sistemas de salud y facilitar una mejor planificación y previsión de recursos, facilitando el avance hacia una medicina más personalizada y preventiva.
Referencia:
Shmatko A, Jung AW, Gaurav K, et al. Learning the natural history of human disease with generative transformers.
Nature. Published online September 17, 2025.
doi:10.1038/s41586-025-09529-3
OAD-ES-AMG-0001
Aceptar y salir
