En el mundo de la medicina moderna, los médicos y los sistemas informáticos suelen apoyarse en una suposición simple: si dos pacientes se ven iguales en este momento, es probable que sigan el mismo camino hacia adelante. Si dos personas tienen la misma presión arterial, el mismo tamaño de tumor y los mismos síntomas, la expectativa es que responderán al tratamiento de manera similar o que sus enfermedades progresarán al mismo ritmo. Esta creencia sustenta gran parte de cómo predecimos los resultados de salud y diseñamos planes de atención personalizados. Sin embargo, esta suposición se basa en la idea de que la información que podemos ver y medir en un solo momento es suficiente para contar toda la historia del futuro de una persona. Asume que la instantánea actual contiene todas las pistas necesarias para predecir qué vendrá después. Pero, ¿y si la instantánea está incompleta? ¿Qué pasaría si dos personas que están exactamente en el mismo punto de un mapa están en realidad caminando hacia destinos completamente diferentes, no porque estén confundidas, sino porque el mapa mismo carece del terreno que separa sus caminos?

Esta es la pregunta central explorada en un nuevo estudio de Maurice Antony Ewing, un investigador de la Universidad de Illinois en Chicago. El trabajo desafía la idea de que mejores modelos informáticos o algoritmos más complejos pueden resolver el problema de la predicción de los resultados de los pacientes. En cambio, el estudio sugiere que el problema no reside en las herramientas que utilizamos para analizar los datos, sino en los datos mismos. Los investigadores investigaron si la información disponible en el momento en que un médico toma una decisión es realmente suficiente para distinguir entre diferentes futuros posibles. Descubrieron que, para un gran número de pacientes, la respuesta es no. Dos personas pueden parecer idénticas basándose en cada medición que un médico puede realizar, y aun así, una podría mejorar mientras la otra empeora. El estudio sostiene que esto no es un fallo de la tecnología de predicción, sino un límite fundamental de la información disponible.

Para entender esto, imagine a dos pacientes con una enfermedad específica. En el momento en que un médico los revisa, sus signos vitales, resultados de laboratorio y escaneos de imagen son casi idénticos. Un modelo de predicción estándar observaría estos números y les asignaría el mismo resultado probable. Pero en la realidad, un paciente podría recuperarse rápidamente mientras el otro se deteriora. El estudio pregunta: ¿por qué sucede esto? ¿Es porque el modelo informático no es lo suficientemente inteligente para encontrar un patrón oculto? ¿O es porque el patrón simplemente no existe en los números que el médico tiene? Los investigadores llaman a este fenómeno "no identificabilidad". Significa que el estado actual del paciente no contiene suficiente información única para identificar a qué camino futuro pertenece. El futuro no es solo incierto; es fundamentalmente no identificable a partir de las observaciones presentes por sí solas.

Para probar esto, los investigadores recopilaron una enorme cantidad de datos médicos del mundo real. Analizaron 13 conjuntos de datos clínicos humanos diferentes, que cubrían una amplia gama de condiciones, incluyendo enfermedades neurodegenerativas como el Alzheimer, escenarios de cuidados críticos, cáncer y enfermedades cardíacas. En total, examinaron casi 700,000 observaciones de salud individuales registradas a lo largo del tiempo. Se centraron en cinco grandes grupos de pacientes que habían sido seguidos durante mucho tiempo, involucrando a más de 56,000 individuos y más de 400,000 momentos específicos en sus trayectorias de salud. Para cada momento en la historia de un paciente, los investigadores se hicieron una pregunta sencilla: si encontramos otros pacientes que se ven exactamente como este en este momento específico, ¿tendrán todos el mismo futuro?

Los resultados fueron impactantes. En los cinco grupos principales estudiados, los investigadores descubrieron que, en casi todos los casos, los pacientes que se veían iguales en un momento específico tuvieron futuros muy diferentes. Específicamente, entre el 65% y el 99% de los estados de los pacientes examinados fueron "no identificables". Esto significa que, para la gran mayoría de estos momentos, la información disponible no distinguía entre un futuro de mejora y uno de declive. En algunos grupos, como aquellos con la enfermedad de Parkinson o la esclerosis lateral amiotrófica, la cifra fue tan alta como el 98.7%. Aún más revelador, los investigadores buscaron casos donde pacientes con estados similares tomaran direcciones opuestas: uno mejorando y el otro empeorando. Encontraron que, entre el 59% y el 82% de estos grupos emparejados, estaban ocurriendo tanto resultados positivos como negativos. Esto demuestra que la ambigüedad no se trata solo de si un paciente se mantiene igual o cambia; se trata de que pacientes similares se mueven activamente en direcciones opuestas.

El estudio también abordó un contraargumento común: tal vez los datos están ahí, pero los modelos informáticos no son lo suficientemente sofisticados para encontrarlos. Para probar esto, los investigadores no dependieron de un solo tipo de inteligencia artificial. En su lugar, utilizaron un "zoológico" de diferentes modelos, que iban desde herramientas estadísticas simples hasta sistemas complejos de aprendizaje profundo. Probaron estos modelos a través de diferentes tipos de datos y diferentes escenarios de enfermedades. El resultado fue consistente: sin importar cuán avanzado fuera el modelo, no podía predecir la dirección futura de estos pacientes mejor que los demás. Cuando los modelos fallaban, todos fallaban de la misma manera. Esto sugiere que la limitación no está en la arquitectura del programa informático, sino en la información que se le introduce. Un modelo no puede inventar una distinción que no está presente en los datos. Si el estado observado no contiene la pista que separa a un paciente que se recupera de uno que declina, ninguna complejidad matemática puede crear esa pista.

Los investigadores también analizaron si añadir más historial resolvería el problema. Intuitivamente, uno podría pensar que conocer la trayectoria pasada de un paciente —cómo llegó a su estado actual— ayudaría a predecir hacia dónde va después. El estudio encontró que, si bien la historia a veces ayuda, a menudo no lo hace. En muchos casos, incluso el historial completo de la condición de un paciente era compatible con múltiples futuros opuestos. Dos pacientes podrían haber tenido caminos muy diferentes para llegar al mismo punto, y aun así sus caminos posteriores divergieron de maneras que sus historias no predijeron. Esto significa que el simple hecho de recopilar más filas de datos o mirar más atrás en el tiempo no resuelve automáticamente el problema. La clave no es la cantidad de observaciones, sino si esas observaciones contienen la información específica necesaria para separar los diferentes futuros posibles.

Este hallazgo tiene profundas implicaciones para la forma en que abordamos la medicina predictiva. Durante años, el enfoque en la inteligencia artificial médica ha sido construir mejores modelos, encontrar más datos y mejorar los algoritmos. El estudio sugiere que este enfoque choca con un techo duro. Si la información requerida para distinguir entre dos pacientes falta en el registro clínico, entonces ningún modelo puede cerrar esa brecha. El problema no es que estemos haciendo la pregunta equivocada a los datos; es que los datos mismos son insuficientes para responder a la pregunta. Los investigadores enfatizan que esto no es una afirmación de que los pacientes sean inherentemente impredecibles en un sentido místico, sino que la información específica que elegimos medir y registrar a menudo no es suficiente para contar la historia de su futuro.

El estudio no pretende que dejemos de intentar predecir resultados o que no podamos mejorar la atención. En cambio, señala un camino diferente. Si las mediciones actuales no son suficientes, entonces la solución radica en encontrar nuevos tipos de información. Esto podría significar medir diferentes marcadores biológicos, usar diferentes tipos de imágenes o mirar factores que actualmente se ignoran. También podría significar aceptar que, para algunos pacientes, en algunos momentos, la información disponible simplemente no permite una predicción precisa, y que la mejor línea de acción podría ser reunir datos más específicos antes de tomar una decisión. El estudio concluye que, antes de dedicar más recursos a construir modelos más inteligentes, primero debemos preguntarnos si la información que tenemos es realmente suficiente para distinguir los futuros que intentamos predecir.

Al final, la investigación ofrece un correctivo necesario y sobrio para el campo de la medicina de precisión. Muestra que la brecha entre lo que podemos ver y lo que sucederá es a menudo más amplia de lo que pensábamos. Dos pacientes pueden estar parados uno al lado del otro, viéndose idénticos en todos los aspectos que la medicina moderna puede medir, y sin embargo, estar en trayectorias completamente diferentes. Las herramientas que usamos para predecir sus futuros no están rotas; simplemente están trabajando con mapas incompletos. El camino a seguir requiere que miremos más allá del estado actual del arte en el modelado y nos enfoquemos en la pregunta fundamental de qué información es realmente necesaria para contar la historia de un paciente frente a la de otro. Hasta que encontremos esa información faltante, los límites de la predicción permanecerán, no debido a una falta de potencia de cálculo, sino debido a una falta de detalle distintivo en los datos mismos.