Google amplía su colaboración con científicos en el diagnóstico y tratamiento de enfermedades con IA

Google ha publicado en su blog corporativo un artículo sobre cómo intenta, junto con científicos y socios de investigación, que las enfermedades sean más detectables, curables y prevenibles. El planteamiento es ambicioso, pero en la parte accesible del anuncio no hay cifras: ni nombres de modelos, ni métricas, ni una lista de socios clínicos. Por eso conviene repasar lo que el texto dice de forma explícita y compararlo con lo que Google ya ha hecho en biología y medicina. Para dar una idea de escala: la base de datos de AlphaFold contiene más de 200 millones de estructuras de proteínas predichas, y por ese trabajo Demis Hassabis y John Jumper recibieron el Premio Nobel de Química de 2024.

Qué dice el anuncio

La formulación es sencilla: la compañía trabaja con científicos para mejorar la salud de las personas en tres frentes. El primero es la detección de enfermedades, es decir, el diagnóstico y el cribado. El segundo es el tratamiento, desde la comprensión de la biología de la enfermedad hasta la búsqueda de hipótesis terapéuticas. El tercero es la prevención. Sin concreción, se parece más a una declaración de rumbo que al lanzamiento de un producto. El texto no incluye ningún indicador que permita comparar el nuevo trabajo con los anteriores.

En qué se apoya este planteamiento

Google acumula un bagaje considerable en salud y biología. Estos son los proyectos que más se citan en este contexto:

• AlphaFold: predicción de la estructura de proteínas, con una base abierta de más de 200 millones de entradas;
• Med-PaLM 2: en 2023, el modelo obtuvo un 86,5% en preguntas con el formato del examen médico USMLE;
• AMIE: sistema conversacional de investigación para entrevistas diagnósticas con el paciente;
• AlphaGenome: modelo que analiza regiones reguladoras del ADN en secuencias de hasta 1 millón de pares de bases;
• Cell2Sentence-Scale: familia de modelos para analizar datos de células individuales, desarrollada junto con la Universidad de Yale; su versión más grande tiene 27 mil millones de parámetros;
• ARDA: cribado de retinopatía diabética a partir de imágenes del fondo de ojo.

No está claro cuáles de ellos formarán parte del nuevo anuncio. Pero la lógica es visible: la biología estructural, la genómica, los datos celulares y el diagnóstico clínico forman una cadena que va de la hipótesis de laboratorio al paciente.

Dónde suelen atascarse estos proyectos

Un modelo que resuelve bien un test aún no funciona en la clínica. Entre el benchmark y la prescripción de un tratamiento hay tres barreras. La primera son los datos: los conjuntos médicos están fragmentados, sesgados por población y protegidos por normas de confidencialidad. La segunda es la validación: hacen falta estudios prospectivos, no un análisis retrospectivo de archivos. La tercera es la regulación: la FDA, la EMA y sus equivalentes evalúan de forma distinta el software que influye en el diagnóstico.

Hay también un aspecto organizativo. La expresión «en colaboración con científicos» significa que parte de los resultados se publicará en revistas con revisión por pares y obtendrá verificación independiente. Es una buena señal, pero no sustituye a los datos clínicos. Un fármaco candidato que un modelo encuentra en una simulación aún debe superar los ensayos preclínicos y las tres fases de investigación, lo que lleva años y conlleva un alto porcentaje de descartes.

Cómo leer este tipo de anuncios

Mientras el blog no ofrezca detalles, es más útil hacerse preguntas que sacar conclusiones. Si trabaja en tecnología médica o en farmacia, o invierte en este sector, compruebe cuatro cosas cuando salgan los detalles:

• si existe una publicación con revisión por pares que describa el método y sus limitaciones;
• en qué poblaciones y en qué países se ha probado el modelo;
• si hay pesos, API o datos disponibles para una reproducción independiente;
• cuál es su estatus regulatorio: herramienta de investigación, software aprobado o piloto en una clínica.

Para desarrolladores y startups, la pregunta práctica clave es si Google abrirá el acceso a sus modelos y datos. Si lo hace, se formará rápidamente un ecosistema a su alrededor, como ocurrió con AlphaFold. Si no, el anuncio quedará como una demostración del interés de la compañía por el mercado de la salud. La redacción volverá sobre el tema cuando haya documentos y cifras.