Investigación IA ayuda a diagnosticar enfermedades genéticas raras en niños
Un modelo de IA de OpenAI analizó 376 casos sin diagnóstico y permitió a médicos confirmar enfermedades en 18 niños, aumentando el rendimiento diagnóstico en 4.8% y mostrando el valor de la re‑evaluación genética periódica.
Más de la mitad de los pacientes con enfermedades raras no obtienen un diagnóstico genético definitivo, a pesar de secuenciación y análisis especializado. La principal dificultad radica en la necesidad de examinar millones de variantes, datos clínicos dispersos y literatura en constante actualización.
Un equipo conjunto del Manton Center del Hospital Infantil de Boston, la Universidad de Harvard y OpenAI aplicó el modelo de razonamiento o3 Deep Research a información clínica y genómica desidentificada de 376 casos previamente catalogados como sin solución. Cada caso incluía términos de la Human Phenotype Ontology, notas clínicas, datos demográficos y una tabla filtrada de variantes con frecuencia, efecto predicho, clasificación ClinVar y calidad de señal en la familia. El modelo generó hipótesis vinculadas a evidencia que los expertos revisaron bajo el marco ACMG/AMP, sin que ninguna salida se considerara diagnóstico automático.
En la fase de validación, el flujo de trabajo recuperó la variante y gen bajo análisis correcto en 48 de 51 casos con diagnóstico conocido, y en 45 de 57 casos neuromusculares. En un conjunto de 15 genomas de lectura larga, identificó el gen correcto en los 15 y ambas alelos patógenas en 12, demostrando la capacidad de la IA para reproducir hallazgos humanos cuando la información es completa.
Al pasar a los casos sin diagnóstico, se dividieron en cuatro cohortes: neurodesarrollo (100), neuromusculares (61), muerte inesperada súbita pediátrica (200) y psicosis temprana (15). El modelo propuso candidatos que, tras revisión, pruebas adicionales y confirmación en laboratorio CLIA, llevaron a diagnósticos en 18 pacientes: 10% en neurodesarrollo, 6.6% en neuromusculares, 1% en muertes inesperadas y 13.3% en psicosis temprana, lo que equivale a un aumento global del 4.8% sobre los análisis previos.
Algunos hallazgos revelaron información ya presente en bases públicas, lo que subraya la dificultad operativa de consolidar fuentes dispersas. Otros casos mostraron la capacidad de la IA para inferir eventos estructurales no listados, como una deleción 22q11.2 asociada al síndrome de DiGeorge, confirmada mediante secuenciación posterior. En situaciones complejas, el modelo sugirió explicaciones digenicas, por ejemplo combinaciones de LAMA2‑FOXP1 o TTN‑SRPK3 que explicaron fenotipos multiorgánicos.
Además de diagnósticos, la herramienta generó hipótesis científicas, como una posible asociación entre una deleción de 11 aminoácidos en S1PR1 y vitíligo, que requerirá validación experimental. También se observaron posibles ampliaciones fenotípicas en HSPB8 y CDK13 dentro del grupo neuromuscular.
El estudio enfatiza que la re‑análisis periódico de genomas es una necesidad razonable: el conocimiento genético evoluciona y los datos clínicos fragmentados pueden ganar relevancia con nuevas evidencias. Sin embargo, la investigación advierte que el modelo nunca tomó decisiones clínicas; todas las conclusiones pasaron por revisión humana, pruebas de laboratorio y comunicación a la familia. No se midió el ahorro de tiempo, costos ni carga de falsos positivos, y la muestra retro‑activa no incluyó variantes estructurales complejas ni mosaicas.
Para las organizaciones de salud, el mensaje implícito es considerar la integración de capas de razonamiento IA en los flujos de trabajo de re‑análisis genómico, pero con controles estrictos de auditoría, privacidad y validación clínica. La experiencia sugiere que una revisión asistida por IA puede elevar el rendimiento diagnóstico sin reemplazar la expertise médica, ofreciendo una vía para reducir el número de familias que permanecen sin respuesta.
Los próximos pasos propuestos incluyen estudios prospectivos multicéntricos que comparen la IA con la práctica estándar, evaluando métricas como tiempo a candidato, esfuerzo del clínico y coste total. Modelos más especializados, como GPT‑Rosalind, podrían ofrecer análisis de efectos estructurales y funcionales, pero requerirán pruebas de seguridad y acceso regulado antes de cualquier despliegue clínico.
