Cuando la IA trae esperanza: Lo que una historia de cáncer muestra sobre el futuro de la medicina

Si uno sigue las noticias sobre IA, ahora mismo recibe sobre todo dos tipos de titulares: miedo a la pérdida de empleo y miedo al abuso. Deepfakes, fallos de seguridad, despidos masivos, vigilancia, manipulación. Mucho de eso es real y merece atención. Pero precisamente por eso, otra cosa casi desaparece: esa misma tecnología también puede condensar conocimiento, reducir fricción y, en algunos casos, devolver tiempo a las personas cuando más lo necesitan.

Ya escribí aquí en el blog, en otro artículo , sobre lo rápido que se está moviendo todo ahora mismo. Este texto es, en cierto modo, la contracara médica de aquello: menos mercado, menos hype, más ser humano.

Una historia del OpenAI Forum encaja exactamente en eso. No es cursi, no es cómoda y desde luego no promete milagros. Pero sí muestra algo de lo que probablemente oiremos mucho más en el futuro, también por parte de personas que no son millonarias.

En resumen:

• En este caso, la IA no sustituyó a un médico. Aceleró enormemente el análisis, la investigación y la coordinación.
• Hoy este tipo de camino sigue estando repartido de forma muy desigual, porque exige dinero, tiempo, acceso y la voluntad de atravesar mucha complejidad médica.
• Así es también como empiezan muchas grandes tecnologías antes de volverse normales para mucha más gente.

Si quieres ver la charla original, aquí está integrada directamente:

Una Historia Fácil De Pasar Por Alto

En el centro está Sid Sijbrandij, cofundador de GitLab. Le diagnosticaron osteosarcoma, un cáncer óseo raro y agresivo. En el foro describe con mucha franqueza lo brutal que fue el tratamiento estándar: cirugía, fusión vertebral, radiación, quimioterapia, transfusiones de sangre y un colapso físico total. Para mucha gente, solo eso ya sería más que suficiente.

Un primer punto de inflexión importante para él fue la llamada química click, un método galardonado con el Nobel que permite unir ciertos compuestos de forma muy dirigida. Para Sid no fue solo algo fascinante desde el punto de vista científico, sino también decisivo a nivel mental, porque le mostró que la medicina no siempre avanza únicamente a través de grandes ensayos estándar. Mediante vías como un single-patient IND también pueden existir rutas legales y oficiales para tratamientos altamente individualizados en situaciones extremas.

Luego llegó la parte todavía más dura: el cáncer volvió. Apenas quedaban opciones estándar establecidas. No había un pipeline claro. No había un siguiente paso evidente. No había un simple “ahora hacemos el tratamiento B”. Y justo ahí ocurrió algo que me parece muy propio de este momento histórico: dejó su trabajo y entró en modo founder, no para una startup, sino para su propia supervivencia.

A primera vista eso suena absurdo. Un fundador tecnológico tratando el cáncer como si fuera un problema de ingeniería. Y, sinceramente, mi primera reacción también sería de escepticismo. La medicina no es un producto SaaS. Un chatbot no es un oncólogo. Una API no es una terapia.

Pero sería demasiado fácil despachar esta historia como un caso especial de Silicon Valley. Lo que aquí se ve no es una “curación milagrosa con ChatGPT”, sino una nueva forma de trabajar en medicina: más datos, más reconocimiento de patrones, más paralelización, hipótesis más rápidas, mejores preguntas y bucles más cortos entre hallazgo y decisión.

Lo Que La IA Hizo Realmente En Este Caso

Lo más importante primero: la IA no curó el cáncer. Sería una simplificación falsa y peligrosa. Lo que ayudó aquí fue una combinación de diagnóstico, especialistas, enfoques experimentales, experiencia clínica, perseverancia personal e IA como acelerador.

En la charla, Sid Sijbrandij y Jacob Stern describen varios ejemplos concretos.

Reunieron cantidades enormes de datos, entre ellos, según sus propias palabras, unos 25 terabytes de material. Eso incluía bulk RNA sequencing, análisis de células individuales, patología, escáneres, datos de sangre, modelos organoides y varios métodos diagnósticos experimentales. Esa profundidad de datos está hoy muy lejos del alcance de la mayoría de los pacientes. Pero lo interesante es qué haces con ellos una vez los tienes.

Jacob Stern, genetista, dice explícitamente en el foro que no es médico. Lo que la IA le dio, según él, no fue conocimiento mágico, sino algo parecido a una armadura de Iron Man para áreas muy especializadas. Es decir, la capacidad de ponerse al día rápidamente, hablar con expertos con criterio, formular mejores preguntas y preparar los siguientes pasos correctos.

Un ejemplo temprano: introdujeron en ChatGPT un archivo CSV procedente del bulk RNA sequencing y pidieron una primera valoración. Solo eso ya fue suficiente para hacer visibles con más rapidez ciertos marcadores y ciertas dinámicas del entorno tumoral. Más adelante fueron mucho más lejos: lenguaje natural como entrada, revisión bibliográfica agentic, formulación de hipótesis, pasos bioinformáticos, código, gráficos y un informe conjunto como salida.

En uno de los ejemplos de la charla, ese tipo de análisis tardó alrededor de 30 minutos y costó unos 20 dólares en API. Al fondo, estaba conectado a unas 600.000 células individuales de distintos momentos de muestreo sanguíneo. Ese contraste por sí solo es notable: una complejidad biológica enorme por un lado y una ayuda analítica relativamente barata por el otro.

Las cosas se vuelven aún más interesantes cuando hablan del desarrollo terapéutico. Mencionan:

• una vacuna personalizada de ARNm contra el cáncer basada en mutaciones específicas del tumor
• terapias TCR-T diseñadas para dirigirse al tumor con más precisión
• enfoques CAR-T con lógica de seguridad adicional para reducir efectos peligrosos sobre tejido sano
• la búsqueda de objetivos poco estudiados, es decir, proteínas o estructuras que pueden ser muy relevantes en un caso individual, pero apenas investigadas en la corriente principal

Sid dice en un momento de la charla que su escalera terapéutica pasó de cero a más de 30 opciones. No porque apareciera de repente un fármaco milagroso, sino porque datos, diagnóstico, conocimiento especializado e IA abrieron juntos una superficie de búsqueda muchísimo mayor.

El mejor ejemplo de este efecto “aguja en un pajar” es, para mí, Penexin 3. Según la charla, esta proteína aparecía unas 10.000 veces más en su cáncer que en tejido sano. Y, aun así, en la literatura casi no había nada. La sospecha del equipo era que, al ser una diana hidrofóbica, simplemente se pierde en muchos tests estándar. Justo ahí es donde la IA muestra lo que puede aportar. No porque sea “más lista que todos los investigadores”, sino porque tiene la paciencia de recorrer una y otra vez espacios de datos enormes hasta que se hacen visibles señales inusuales como esta.

Ahí es donde aparece su verdadera fuerza. No como oráculo, sino como herramienta para transformar mucho más rápido miles de papers, puntos de datos, marcadores, perfiles de efectos secundarios y conexiones biológicas en algo operativo.

Para mí, ese es el núcleo de la historia: la IA comprime conocimiento especializado. No convierte a un profano en médico. Pero puede acercar mucho a pacientes comprometidos, familias y equipos interdisciplinarios a la literatura actual y a un espacio real de decisión.

Este Futuro Sigue Estando Mal Repartido

No conviene romantizar esto. Ahora mismo, esta historia sigue siendo muy elitista.

Para avanzar así hace falta:

• dinero
• tiempo
• muy buenos especialistas
• acceso a métodos diagnósticos poco comunes
• una energía mental enorme
• capacidad para soportar la complejidad médica

Ellos mismos lo dicen con bastante claridad en la charla. Algunas partes son extremadamente caras. Otras se han vuelto sorprendentemente baratas. Y esa mezcla es precisamente lo que hace tan interesante este momento. Estamos viendo una transición: el desarrollo terapéutico en sí sigue siendo muchas veces caro, lento y burocrático. Pero varias capas por debajo ya están abaratándose.

En el foro citan cifras aproximadas como unos 50 dólares para bulk RNA sequencing, unos 500 dólares para secuenciación completa del genoma y unos 20 dólares para un análisis asistido por IA más avanzado. No son los costes completos de la medicina oncológica, pero sí son señales. La capa del conocimiento empieza a volverse deflacionaria.

Y eso importa muchísimo, porque hoy la medicina muchas veces no falla primero por falta de buena voluntad, sino por fricción: los datos están dispersos, el conocimiento especializado vive en silos, los estudios tardan una eternidad, los casos raros quedan fuera de los circuitos estándar y pasa demasiado tiempo entre el hallazgo y la decisión.

Lo que además me parece muy potente de esta historia es que explícitamente no quiere quedarse como un playbook de élite para un caso individual. En la charla y en el sitio asociado al proyecto queda claro que datos, aprendizajes y procesos se están preparando deliberadamente para que otros pacientes y otros equipos puedan construir sobre ello más rápido después.

Así Empiezan Muchas Grandes Tecnologías

Precisamente por eso esta historia me hizo pensar en un patrón antiguo. Al principio, una nueva tecnología casi siempre queda reservada para quienes tienen más dinero, más acceso y más margen de experimentación que el resto.

Durante muchas etapas de la historia, las bañeras estuvieron reservadas sobre todo a reyes, nobleza u hogares muy ricos. Hoy el agua caliente forma parte normal de la vida diaria de millones de personas.

Y no es una excepción. Hay otros tres ejemplos que muestran el mismo patrón:

• La luz eléctrica en casa fue en su día un lujo para edificios ricos, hoteles e industria. Hoy solo notamos lo estándar que es cuando se va la electricidad.
• Viajar en avión fue durante mucho tiempo un símbolo de riqueza, estatus y excepcionalidad. Hoy, aunque no sea igual de asequible para todo el mundo, es claramente movilidad de masas y no un privilegio aristocrático.
• La secuenciación del genoma fue una vez un proyecto multimillonario de muchos años. Hoy, en algunos casos, hablamos de cientos de dólares y de días en lugar de décadas.

Así es exactamente como creo que debemos mirar esta nueva forma de medicina personalizada. Lo que hoy parece medicina concierge para fundadores muy bien conectados podría estar disponible más adelante de forma más amplia, simplificada, estandarizada y automatizada.

La tecnología escala. Primero despacio, luego de golpe.

No automáticamente. No por sí sola. No de forma justa de la noche a la mañana. Pero, históricamente, el patrón es claro: primero lujo, luego herramienta, luego infraestructura.

Por Qué Esta Historia Me Da Esperanza

Lo que más me impresiona de esta historia es que no se apoya en un milagro. Se apoya en compresión.

La IA comprime aquí:

• literatura
• diagnóstico
• reconocimiento de patrones
• comunicación entre disciplinas
• la capacidad de no abandonar demasiado pronto los casos raros

Y eso tiene un valor enorme en medicina. Porque las enfermedades raras y los cursos inusuales muchas veces no fracasan porque no exista información, sino porque nadie tiene tiempo de reunirla de una manera útil.

Si miles de páginas de historial médico, valores de laboratorio, escáneres, datos de ARN y estudios pueden convertirse en un modelo manejable, eso no solo es relevante para unos pocos casos ricos y atípicos. Es un anticipo de una medicina que podría volverse más precisa, más personal y, con suerte, más justa.

Lo que hoy todavía parece un tratamiento excepcional podría convertirse mañana en estándar en una forma más reducida y práctica:

• un sistema que destaque automáticamente marcadores raros
• un asistente que preseleccione estudios relevantes para médicos y pacientes
• una herramienta que haga más transparentes las rutas terapéuticas posibles y los perfiles de efectos secundarios
• diagnósticos que se tomen más en serio la biología individual en lugar de seguir solo caminos estándar

Y sí, muy probablemente oiremos mucho más de esto, y no solo en historias de fundadores con recursos. Las herramientas mejorarán. Los costes bajarán. Las interfaces serán más sencillas. Ahí es donde empieza la escalabilidad.

Mi Conclusión

Por eso creo que esta historia importa. Ayuda a enderezar un poco la mirada. La IA no es solo riesgo. No es solo despidos. No es solo hype. No es solo un problema de seguridad. También puede convertirse en una herramienta que ayude a las personas a orientarse mejor dentro de un sistema enfermo, lento y muchas veces desbordado.

Por supuesto, no hay que caer en un romanticismo tecnológico. La base más importante de nuestra salud sigue siendo sorprendentemente poco glamourosa y muy humana:

• dormir lo suficiente
• movimiento
• alimentación
• disciplina cotidiana

Esa parte sigue dependiendo en gran medida de nosotros. Sigue siendo la base.

Si te interesan justamente esos temas, en el blog ya hay textos prácticos y personales sobre health tracking y datos de salud y también sobre Whoop, recuperación, sueño y carga .

Pero justo después de eso, estoy convencido, necesitaremos IA. No como sustituto de los médicos, no como botón milagroso, sino como una segunda capa de inteligencia por encima de los datos, la investigación y la complejidad.

Y ahí es donde Google también me parece relevante. Con AlphaFold, Google DeepMind puso a disposición pública estructuras predichas de más de 200 millones de proteínas, y con AlphaFold 3 preparó el siguiente paso, en el que se pueden modelar mejor no solo proteínas, sino también sus interacciones con otras moléculas. Eso no es “la cura de todas las enfermedades”. Pero sí es una palanca fundacional enorme, porque la biología se vuelve mucho más legible para los investigadores.

Por eso sigo teniendo esperanza. No ingenua. No ciega. Pero esperanza. Si conseguimos pensar juntos el estilo de vida, la prevención, la buena medicina y la IA, el futuro podría traer de verdad más salud para muchísimas más personas.

Hasta la próxima,
Joe