Cuando el tratamiento empieza en los datos
Diario de Innovación #371
Durante mucho tiempo, la medicina moderna ha funcionado con una lógica bastante parecida a la de una fábrica bien organizada.
Una enfermedad → Una categoría → Una guía clínica → Una secuencia de tratamientos → Una decisión.
Y vuelta a empezar si algo no funciona.
Esto, dicho así, suena frío.
Pero ha sido una de las grandes conquistas de la medicina.
Protocolizar salva vidas, estandarizar reduce errores, comparar resultados permite aprender.
Aplicar tratamientos sobre grandes grupos de pacientes permite saber qué funciona, qué no funciona y qué riesgos merece la pena asumir.
El problema aparece cuando una persona no encaja.
Cuando ese caso es la excepción.
Cuando el tumor no se comporta como debería.
Cuando las etiquetas tradicionales se quedan demasiado gruesas.
Cuando “cáncer de mama” ya no explica lo que está pasando.
Cuando, al mirar más cerca, aparece una biología mucho más extraña, híbrida y cambiante.
Entonces, la pregunta deja de ser qué tipo de cáncer es y pasa a ser por qué se está comportando de manera distinta en este organismo.
Aquí tienes una versión íntegramente corregida con un tono más pulido y divulgativo:
El tratamiento ya no empieza en la receta.
Empieza mucho antes.
Empieza en los datos.
Empieza en la capacidad de leer la biología.
Empieza al ordenar informes.
Empieza al interpretar mutaciones.
Empieza al entender las resistencias al tratamiento.
Empieza al conectar literatura científica, pruebas moleculares, historiales clínicos, ensayos clínicos, hipótesis y criterio médico.
Quizá el próximo gran salto médico no venga solo de descubrir un nuevo fármaco.
Quizá venga de aprender a conectar mejor todos los datos de cada paciente.
Cuando el paciente medio no sirve
La medicina basada en protocolos funciona bien cuando el paciente se parece razonablemente al paciente medio sobre el que se construyó ese protocolo.
Porque una guía clínica puede decir mucho sobre poblaciones, pero poco sobre una combinación concreta de alteraciones moleculares en una paciente concreta, en un momento concreto de evolución de la enfermedad.
La medicina tradicional se parece a esto: enfermedad → categoría → guía → tratamiento.
La medicina de precisión empieza a parecerse más a esto: biología concreta → hipótesis → intervención → monitorización → ajuste.
No es que una sustituya a la otra.
La evidencia acumulada sigue siendo el suelo sobre el que caminar.
Pero cuando el caso se vuelve excepcional, el protocolo deja de ser una autopista y empieza a ser un mapa incompleto.
Y entonces hacen falta más capas e información para poder decidir.
Y, sobre todo, una capacidad enorme para convertir información dispersa en decisiones clínicas razonables.
El tumor como sistema vivo
Uno de los errores más intuitivos que cometemos al pensar en el cáncer es imaginarlo como una cosa fija.
Como si el diagnóstico fuera una foto congelada.
Pero un tumor no es una piedra. Es un sistema vivo. Evoluciona. Cambia. Se adapta. Responde a la presión terapéutica.
A veces desaparecen unos clones y aparecen otros.
A veces una alteración que no estaba en el primer análisis aparece meses después en una biopsia líquida.
A veces una vía molecular se amplifica.
A veces emerge una mutación asociada a resistencia.
A veces el tumor empieza a comportarse de una forma que ya no encaja bien con la categoría inicial.
Esto es muy importante.
Porque si el tumor cambia, la estrategia también tiene que poder cambiar.
No basta con saber qué era el tumor al principio.
Hay que intentar saber qué está siendo ahora.
Ahí entran pruebas como las biopsias líquidas, los paneles moleculares avanzados y el seguimiento continuo de la evolución clonal.
No son solo más datos.
Son una forma de escuchar al tumor mientras se mueve.
Y esto tiene una consecuencia incómoda: la medicina deja de parecerse a una línea recta.
Y empieza a parecerse más a un sistema en bucle.
Más dinámica.
Más interdisciplinar.
Más cercana a un sistema de aprendizaje continuo que a una receta cerrada.
Bioinformática: el mapa de sospechas razonables
Aquí aparece una capa que, para mí, es clave para entender hacia dónde va la medicina de precisión: la bioinformática.
Porque tener datos moleculares no significa tener una respuesta.
Una mutación no es automáticamente un tratamiento. Una amplificación no es automáticamente una solución. Un biomarcador no es una orden médica.
Es una pista.
Y las pistas hay que interpretarlas.
La bioinformática ayuda precisamente a eso: a convertir biología compleja en hipótesis razonables.
Imagina que tienes un tumor con un perfil molecular muy concreto.
Alteraciones genómicas. Cambios que han aparecido con el tiempo. Resistencias nuevas. Datos de expresión génica, si existen. Respuesta previa a tratamientos. Información clínica acumulada.
La pregunta no es solo: “¿Qué gen está alterado?”
La pregunta interesante es: “¿A qué otros tumores, modelos celulares o perfiles moleculares se parece este caso?”
Ahí entra la idea de los “vecinos moleculares”.
Buscar, dentro de bases de datos de investigación y farmacogenómica, patrones que se parezcan al caso actual.
Ver qué fármacos han tenido actividad en contextos parecidos. Qué combinaciones podrían tener sentido. Qué mecanismos parecen más prometedores.
Qué opciones son interesantes en teoría, pero inviables en la práctica.
Y esto último es clave.
Porque la bioinformática no trabaja en el vacío. Puede generar un ranking de hipótesis. Puede señalar mecanismos. Puede sugerir caminos.
Pero después todo eso tiene que pasar por el filtro clínico.
La bioinformática no sustituye a la oncología.
La amplifica. Le da un mapa más rico.
Un mapa lleno de señales, probabilidades, parecidos y sospechas.
Pero sigue haciendo falta alguien que sepa conducir por ese mapa.
El ensayo N-of-1
Cuando un caso es extremadamente específico, aparece una idea poderosa y delicada: el ensayo N-of-1.
Un ensayo de una sola persona.
La expresión puede sonar extraña, pero tiene todo el sentido.
En un ensayo clínico tradicional se intenta aprender qué ocurre en un grupo de pacientes.
En un N-of-1, la pregunta es mucho más concreta: “¿Qué funciona en esta persona concreta?”
No porque se abandone la evidencia.
No porque todo valga.
No porque cada paciente sea un experimento improvisado.
Sino porque algunos casos son tan particulares que necesitan una hipótesis terapéutica construida alrededor de su biología real.
El ciclo sería algo así: se recogen datos → se formula una hipótesis → se decide una intervención → se mide la respuesta → se observa la toxicidad → se actualiza la estrategia.
Y después se vuelve a empezar.
El paciente, de alguna manera, se convierte en su propio sistema de aprendizaje.
Porque requiere integrar información clínica, molecular, farmacológica, radiológica y funcional de forma continua.
Requiere especialistas capaces de hablar entre sí, datos de calidad, interpretación, acceso, tiempo,…
Y en enfermedades graves, el tiempo nunca es una variable menor.
Por eso el N-of-1 no debería entenderse como una aventura individual.
Debería entenderse como una nueva frontera de la medicina. Una frontera en la que la singularidad del caso no se ignora, sino que se convierte en el punto de partida.
La IA como traductora
En todo esto, la IA tiene un papel importante. Pero no el papel que muchas veces se imagina.
La IA no aparece aquí como un médico robótico que da una respuesta final. No es un oráculo.
La IA puede actuar como traductora de complejidad.
Puede ayudar a estructurar informes clínicos largos, resumir historiales, extraer genes, mutaciones, fármacos, fechas, tratamientos y respuestas.
Puede conectar hallazgos moleculares con literatura científica. Puede ayudar a que un equipo médico tenga una imagen más clara del caso.
En casos muy complejos, esto no es menor.
Porque una parte enorme del problema no es solo decidir.
Es llegar a la reunión con todo lo importante encima de la mesa.
Saber qué se ha probado.
Qué cambió.
Qué apareció después.
Qué evidencia existe.
La IA no cura.
Pero puede ayudar a formular mejores preguntas.
Y en medicina, formular mejores preguntas ya es mucho. Porque una buena pregunta puede abrir una consulta.
Una consulta puede abrir una prueba.
Una prueba puede abrir una hipótesis.
Una hipótesis puede abrir una opción.
Y una opción, en determinados contextos, puede significar tiempo.
No conviene exagerarlo. Pero tampoco minimizarlo.
La IA bien usada no sustituye el juicio clínico. Lo hace trabajar con menos ruido.
La brecha incómoda
Y ahora viene la parte incómoda. Porque todo esto suena muy avanzado. Muy prometedor. Muy lógico.
Pero todavía no funciona como sistema.
La medicina de precisión avanzada sigue dependiendo demasiado de circunstancias excepcionales.
Como puede ser conocer a la persona adecuada.
De tener acceso a especialistas y poder pagar determinadas pruebas.
De convertir una enfermedad en un proyecto.
Y eso es profundamente injusto.
La medicina de precisión no debería depender de que una persona pueda convertirse en project manager de su propia enfermedad.
No debería depender de que alguien sepa montar un equipo internacional. No debería depender de tener conocimientos técnicos. No debería depender de una recaudación.
Si esta medicina tiene sentido, debería convertirse en parte de la infraestructura.
No en excepción.
Eso significa hospitales con mejores capacidades de integración de datos. Historias clínicas más interoperables. Informes más computables.
Y equipos preparados para trabajar con casos que no caben bien en el promedio.
El reto no es solo científico.
Es organizativo.
Es regulatorio.
Es económico.
Es ético.
Porque una cosa es que algo sea técnicamente posible.
Y otra muy distinta es que esté disponible para quienes lo necesitan.
Ahí se juega buena parte del futuro de la medicina.
🌍 El eco del mercado
🏗️ Seattle le pone un semáforo en rojo a la fiebre de los data centers (otra ciudad más, después de NY). Seattle avanza hacia una moratoria de un año para grandes centros de datos, una decisión especialmente simbólica en la ciudad de Microsoft y Amazon. La IA empieza a chocar con la política local, el suelo urbano, la energía y la pregunta incómoda: qué gana realmente la comunidad.
💻 Cohere empuja el agentic coding hacia el terreno open source. Cohere ha liberado un agente de programación capaz de ejecutarse en una sola H100, ofreciendo una alternativa abierta a modelos gestionados como Claude Fable. La noticia no va solo de programar más rápido, sino de quién controla la infraestructura de desarrollo asistido por IA.
🧠 Los agentes de IA descubren que sin contexto empresarial son becarios con esteroides. Jedify ha levantado 24 millones de dólares para ayudar a las empresas a dotar a sus agentes de IA de contexto sobre procesos, datos y negocio. La señal es clara: el problema no es solo tener modelos potentes, sino conectarlos con el conocimiento operativo real de la organización.
🏭 TSMC avisa de que la factura de la IA puede acabar en tu próximo dispositivo. TSMC no descarta subidas de precio por el aumento de costes ligado al boom de la IA, la presión geopolítica y la demanda de chips avanzados. El encarecimiento del compute puede dejar de ser un problema de hyperscalers y empezar a filtrarse al precio de la electrónica de consumo.
⚖️ Bruselas quiere que WhatsApp no sea la puerta cerrada de la IA. La Comisión Europea ha ordenado a Meta restaurar el acceso gratuito de chatbots rivales a WhatsApp mientras termina su investigación antimonopolio. El regulador teme que bloquear esa puerta cause un daño grave e irreparable a la competencia en asistentes de IA.
⚡ GM ya no quiere vender solo coches: quiere vender energía para la era IA. GM entra en la carrera de las baterías para centros de datos, red eléctrica y almacenamiento industrial, justo cuando la demanda energética de la IA empieza a tensionar el sistema. El coche eléctrico deja de ser solo movilidad y empieza a verse como una pieza más de la infraestructura energética.
Lectura estratégica: la IA está empujando a fabricantes de automóviles hacia el negocio energético. El verdadero movimiento no está en vender más EVs, sino en convertir baterías, vehículos y almacenamiento en una capa flexible para sostener data centers, fábricas y redes eléctricas.
🎮 La próxima Xbox se estrella contra la economía real de la IA. Microsoft está replanteándose Project Helix, su próxima Xbox, por la crisis de RAM y el encarecimiento de componentes provocado en parte por la demanda de servidores de IA. La consola deja de ser solo una decisión de producto y pasa a depender de una cadena de suministro cada vez más capturada por el compute.
🛡️ La ciberseguridad entra en modo IA contra IA. BT se suma al Project Glasswing de Anthropic, mientras crecen las alertas sobre vulnerabilidades explotadas más rápido, gusanos impulsados por LLMs y un Patch Tuesday récord de Microsoft con más de 200 fallos corregidos. La IA empieza a acelerar tanto la defensa como el ataque.
🧩 ServiceNow recuerda que la automatización empresarial también puede filtrar datos. ServiceNow ha informado a clientes de que un fallo en un endpoint de API dejó expuestos datos de algunas organizaciones. La compañía automatiza procesos críticos para miles de empresas, así que un problema de seguridad en esa capa no es menor: toca directamente la fontanería operativa.
🚗 El coche autónomo se está ganando primero en mundos sintéticos. Waymo ha creado un conductor virtual para estudiar cómo reaccionan los humanos ante situaciones inesperadas, mientras Decart lanza un modelo capaz de simular horas de conducción fotorrealista. La autonomía avanza menos por épica de carretera y más por simulación, benchmarks y validación masiva.
🇨🇳 China alerta sobre el mercado gris de habilidades para IA. El regulador chino de ciberseguridad ha advertido sobre paquetes de “skills” de terceros que prometen saltarse guardrails, generar contenido prohibido o activar funciones de minería cripto. La alerta apunta a un problema creciente: los agentes no solo heredan riesgos del modelo, también de las extensiones que conectan con el mundo.
📈 Kalshi intenta poner cortafuegos al insider trading en los mercados predictivos. Kalshi exigirá información laboral a algunos usuarios para reducir el riesgo de apuestas basadas en información privilegiada. Los mercados predictivos empiezan a parecerse menos a una curiosidad cripto-financiera y más a una infraestructura de señal que necesita reglas serias.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD: Si te interesa este cruce entre medicina, datos, biología e inteligencia artificial, hay varios libros que ayudan a mirar este territorio con más profundidad.
El primero es El Emperador de Todos los Males, de Siddhartha Mukherjee. No es un libro sobre IA, pero probablemente sea una de las mejores puertas de entrada para entender el cáncer como historia médica, científica y humana.
El segundo es El Gen, también de Mukherjee. Muy útil para entender por qué la biología moderna es, cada vez más, una ciencia de la información.
El tercero es Deep Medicine, de Eric Topol. Aquí ya aparece de forma mucho más explícita la idea de cómo la IA puede ayudar a construir una medicina más humana, no menos.
Y el cuarto es The Creative Destruction of Medicine, también de Topol. Publicado hace años, pero muy interesante para entender por qué sensores, genómica, datos y computación iban a tensionar el modelo sanitario tradicional.