Un estudio colaborativo entre la Universidad de Gotemburgo y la Universidad Tecnológica de Chalmers, publicado esta semana en Acta Dermato-Venereologica, aplicó modelos de IA a los datos del registro nacional sueco que cubre 6.036.186 adultos para predecir riesgo de melanoma hasta cinco años antes del diagnóstico. A lo largo del período de cinco años del estudio, 38.582 individuos (0,64 por ciento de la cohorte) fueron diagnosticados con melanoma, lo cual le dio al modelo un set de validación en condiciones reales a escala poblacional. El resultado titular: el modelo de IA más avanzado distinguió correctamente entre personas que luego desarrollaron melanoma y las que no en aproximadamente 73 por ciento de los casos, versus un baseline del 64 por ciento usando solo edad y sexo. Esa es una mejora absoluta de nueve puntos porcentuales, que es el tipo de brecha que importa cuando estás tomando decisiones de asignación de recursos de screening a lo largo de millones de personas.
Las features que hacen funcionar al modelo valen la pena señalarlas porque no son las que describen la mayoría de los artículos de IA de imagenología médica. Esto es predicción de datos estructurados a partir de registros médicos: diagnósticos previos, medicaciones prescriptas, atributos sociodemográficos. No hay input de imagen. El modelo es esencialmente un clasificador tabular a gran escala entrenado en datos de historia clínica electrónica, que es un problema técnico distinto al trabajo de detección de cáncer de piel basado en imagen que dominó el campo durante la última década. La implicación clínica concreta reportada en el estudio es que el modelo puede identificar grupos más chicos de alto riesgo que enfrentan 33 por ciento de riesgo de desarrollar melanoma en cinco años. Esa concentración del 33 por ciento sobre una cohorte chica es lo suficientemente alta como para justificar screening de seguimiento intensivo que sería económicamente injustificable a lo largo de la población general. El screening dermatológico está restringido por costos en la mayoría de los sistemas de salud nacionales; si podés achicar la cohorte monitoreada en un orden de magnitud mientras capturás una parte sustancial de los casos, la economía se inclina hacia la implementación.
Esto encaja en un patrón que atraviesa el trabajo de IA médica este año y que vale la pena nombrar. La IA científica se vuelve operativamente útil mediante predicción-más-intervención-selectiva en vez de mediante reemplazo amplio del screening. Dinámicas similares aparecen en otros lados: la MRI de bajo campo mejorada por IA no reemplaza a la MRI de alto campo, deja que hardware más barato produzca outputs de grado diagnóstico para un subconjunto de casos. MoGen de Google no reemplaza el trazado experto de neuronas, augmenta el pipeline de etiquetado de datos. Este estudio de melanoma no propone screening universal dirigido por IA, propone identificación por IA de cohortes de alto riesgo. El hilo común es que la IA en salud escala no como reemplazo general del juicio médico, sino como capa de priorización que hace más eficiente la atención clínica escasa. Los constructores trabajando en health-tech deberían estudiar este encuadre: la pregunta no es "¿puede la IA igualar a un dermatólogo?", es "¿puede la IA identificar a los pacientes que un dermatólogo debería ver primero, lo suficientemente barato como para desplegarse a escala nacional?". Son problemas de producto muy distintos.
Para cualquiera construyendo herramientas de predicción de IA médica, tres observaciones concretas. Primero, la predicción tabular-EHR está subvaluada comparada con la IA de imagen en el discurso público, y el estudio sueco es uno de muchos ejemplos recientes donde los registros médicos estructurados superan lo que esperarías para una tarea dada. Si el diseño de tu producto health-AI asumió que la imagen era el único input viable, esa asunción probablemente está equivocada. Segundo, la métrica que importa no es la precisión titular, es la precisión de la identificación de cohortes de alto riesgo y el factor de concentración (cuánto podés achicar la población de screening reteniendo sensibilidad). En el estudio sueco ese número es la concentración de riesgo del 33 por ciento sobre el subgrupo chico de alto riesgo; en tu producto, es la concentración equivalente sobre cualquier cohorte accionable equivalente que tengas. Tercero, el camino regulatorio y de despliegue para una herramienta de priorización es sustancialmente más fácil que el camino para un reemplazo diagnóstico. Posicioná tu producto como algo que augmenta atención clínica escasa, no que la sustituye, y la conversación de aprobación se vuelve significativamente más corta.