Cuando la inteligencia artificial descifra las enfermedades más raras: la alianza entre Chile y el Vaticano que podría salvar vidas

Imagina que tu cuerpo es una fábrica bioquímica donde miles de reacciones ocurren cada segundo. Ahora imagina que una sola enzima defectuosa detiene una línea de producción crítica, acumulando sustancias tóxicas que envenenan lentamente tus células. Esto es lo que viven miles de niños con errores innatos del metabolismo, enfermedades tan raras que muchos médicos nunca las ven en su carrera, y tan urgentes que cada hora sin diagnóstico puede significar daño cerebral irreversible. El Laboratorio de Errores del Metabolismo (LEM) de Chile acaba de anunciar una colaboración con el Hospital Pediátrico Bambino Gesú de Roma —el hospital del Vaticano— para aplicar inteligencia artificial y metabolómica avanzada a estas patologías que desafían incluso a los especialistas más experimentados.

Una alianza que cruza continentes y disciplinas

El proyecto representa un encuentro entre dos instituciones que han construido décadas de experiencia en campos complementarios. El LEM, dependiente del Instituto de Nutrición y Tecnología de los Alimentos (INTA) de la Universidad de Chile, ha sido referente latinoamericano en el diagnóstico de errores innatos del metabolismo desde su fundación. Por su parte, el Ospedale Pediatrico Bambino Gesú no es un hospital cualquiera: es la institución pediátrica de referencia del Vaticano y uno de los centros europeos más avanzados en enfermedades raras, atendiendo más de 29.000 pacientes al año de 40 países diferentes.

La colaboración se centra en desarrollar algoritmos de inteligencia artificial capaces de analizar perfiles metabolómicos —el conjunto completo de moléculas pequeñas presentes en muestras biológicas— para identificar patrones que los métodos tradicionales no pueden detectar. Mientras que un análisis convencional puede medir docenas de metabolitos, las técnicas metabolómicas modernas examinan miles simultáneamente, generando volúmenes de datos que sobrepasan la capacidad de análisis humano. Aquí es donde la IA se vuelve indispensable.

Este tipo de asociaciones internacionales son especialmente valiosas en el campo de las enfermedades raras, donde ninguna institución individual puede acumular suficientes casos para entrenar modelos robustos. Al combinar las bases de datos clínicas y los perfiles metabólicos de pacientes chilenos y europeos, ambos laboratorios podrán desarrollar herramientas diagnósticas más precisas y aplicables a poblaciones genéticamente diversas.

La urgencia invisible de las enfermedades metabólicas

Los errores innatos del metabolismo (EIM) son un grupo de más de 1.000 enfermedades genéticas raras causadas por defectos en enzimas específicas que interrumpen rutas metabólicas fundamentales. Aunque individualmente son raras, colectivamente afectan aproximadamente a uno de cada 500 nacimientos. Enfermedades como la fenilcetonuria, las acidemias orgánicas o los defectos del ciclo de la urea pueden presentarse con síntomas inespecíficos —vómitos, letargo, convulsiones— que los médicos generales pueden confundir con infecciones comunes.

El problema es que el tiempo es el enemigo. Muchas de estas condiciones provocan crisis metabólicas agudas que pueden causar daño neurológico permanente o muerte en cuestión de horas o días. Un diagnóstico que llega una semana tarde puede significar la diferencia entre un niño que se desarrolla normalmente y uno con discapacidad intelectual severa. Los métodos diagnósticos tradicionales, basados en pruebas bioquímicas secuenciales y análisis genéticos dirigidos, pueden tomar semanas, un lujo que estos pacientes no tienen.

La metabolómica combinada con inteligencia artificial promete comprimir semanas de pruebas diagnósticas en horas, transformando radicalmente el pronóstico de niños con enfermedades metabólicas que antes pasaban desapercibidas hasta que era demasiado tarde.

Chile ha sido pionero en la región en el tamizaje neonatal de estas enfermedades, pero muchos EIM no se detectan en los programas de screening estándar. Aquí es donde las nuevas herramientas de IA pueden marcar la diferencia, identificando firmas metabólicas sutiles que señalan hacia diagnósticos que de otro modo requerirían meses de investigación clínica.

Metabolómica e IA: cuando los datos se vuelven diagnósticos

La metabolómica es esencialmente una fotografía química ultradetallada del estado de un organismo en un momento dado. Utilizando técnicas como la espectrometría de masas y la resonancia magnética nuclear, los investigadores pueden identificar y cuantificar miles de metabolitos —aminoácidos, ácidos orgánicos, lípidos, azúcares— en una sola muestra de sangre u orina. Cada enfermedad metabólica deja una huella característica en este paisaje molecular.

El desafío es que estas huellas son increíblemente complejas. Un perfil metabolómico típico contiene información sobre miles de compuestos, con interacciones no lineales y patrones que varían según la edad, la dieta, el momento del día y docenas de otros factores. Los algoritmos de aprendizaje automático, especialmente las redes neuronales profundas, sobresalen precisamente en este tipo de tareas: encontrar patrones multidimensionales en conjuntos de datos masivos que superan la capacidad de análisis humano.

El proyecto entre el LEM y el Bambino Gesú planea entrenar modelos de IA con datos de pacientes confirmados con diversos EIM, enseñando a los algoritmos a reconocer las firmas metabólicas distintivas de cada enfermedad. Una vez validados, estos modelos podrían analizar el perfil metabolómico de un paciente nuevo y sugerir diagnósticos probables en minutos, priorizando las pruebas confirmatorias más apropiadas y acelerando dramáticamente el proceso diagnóstico.

El contexto chileno: ciencia de frontera desde Latinoamérica

Que una institución chilena lidere este tipo de colaboración internacional no es casualidad. El INTA y su Laboratorio de Errores del Metabolismo han construido durante décadas una reputación sólida en investigación metabólica, convirtiéndose en centro de referencia para toda América Latina. Esta capacidad técnica, combinada con el acceso a una población genéticamente diversa, posiciona a Chile como un actor valioso en la investigación de enfermedades raras a nivel global.

Además, Chile ha mostrado un interés creciente en aplicar inteligencia artificial a problemas de salud pública. Diversas iniciativas académicas y gubernamentales han comenzado a explorar cómo el machine learning puede mejorar diagnósticos, predecir brotes epidemiológicos y optimizar recursos sanitarios. Este proyecto con el Bambino Gesú representa un ejemplo concreto de cómo la investigación chilena en IA puede competir y colaborar al más alto nivel internacional.

La colaboración también subraya una tendencia importante: la democratización de tecnologías avanzadas de diagnóstico. Mientras que la secuenciación genómica completa sigue siendo prohibitivamente cara para uso rutinario en muchos países latinoamericanos, los perfiles metabolómicos combinados con análisis de IA podrían ofrecer una alternativa más accesible y rápida para identificar pacientes que realmente necesitan estudios genéticos más exhaustivos, optimizando recursos limitados.

Contexto clave

Errores innatos del metabolismo: Son trastornos genéticos causados por mutaciones en genes que codifican enzimas metabólicas. Cuando una enzima no funciona correctamente, los sustratos que debería procesar se acumulan a niveles tóxicos, mientras que los productos que debería generar escasean. Esto puede afectar el procesamiento de aminoácidos, carbohidratos, lípidos u otros compuestos esenciales. Aunque cada EIM específico es raro, en conjunto representan una carga significativa de enfermedad, especialmente en pediatría.

Metabolómica: Es el estudio sistemático del conjunto completo de metabolitos presentes en una muestra biológica. A diferencia de la genómica (que estudia genes) o la proteómica (que estudia proteínas), la metabolómica captura el estado funcional actual del organismo, reflejando tanto factores genéticos como ambientales. Las tecnologías metabolómicas modernas pueden identificar miles de compuestos en una sola muestra, generando perfiles moleculares extremadamente detallados que funcionan como firmas bioquímicas de estados de salud o enfermedad.

Aprendizaje automático en diagnóstico médico: Los algoritmos de machine learning pueden entrenarse con datos de pacientes cuyo diagnóstico ya se conoce, aprendiendo a reconocer patrones asociados con cada condición. Una vez entrenados, pueden analizar datos de nuevos pacientes y generar hipótesis diagnósticas. En el caso de enfermedades raras, donde la experiencia clínica individual es limitada, estos sistemas pueden superar a médicos humanos al integrar conocimiento de miles de casos que ningún profesional individual podría haber visto. La clave está en la calidad y diversidad de los datos de entrenamiento, razón por la cual colaboraciones internacionales como esta son tan valiosas.

Para profundizar

• El dilema ético de la IA en diagnóstico pediátrico — Cuando un algoritmo sugiere un diagnóstico de enfermedad rara en un recién nacido, ¿cuánta confianza debemos depositar en la máquina antes de iniciar tratamientos invasivos? La intersección entre precisión diagnóstica, responsabilidad médica y autonomía profesional plantea preguntas fundamentales sobre cómo integrar estas herramientas en la práctica clínica sin deshumanizar la medicina.
• Equidad en el acceso a diagnósticos avanzados — Si bien la metabolómica con IA promete diagnósticos más rápidos, estas tecnologías requieren infraestructura costosa y expertise especializado. ¿Cómo pueden países de ingresos medios y bajos acceder a estas innovaciones, o estamos creando una nueva brecha sanitaria donde solo algunos niños tienen acceso a diagnósticos que salvan vidas? La colaboración Sur-Norte podría ser un modelo para transferencia tecnológica más equitativa.
• Más allá del diagnóstico: IA para tratamientos personalizados — Una vez diagnosticada una enfermedad metabólica, el tratamiento a menudo requiere ajustes dietéticos o farmacológicos muy precisos y personalizados. Los mismos perfiles metabolómicos que permiten el diagnóstico podrían monitorearse continuamente para optimizar terapias en tiempo real, usando IA para predecir qué intervenciones funcionarán mejor para cada paciente individual según su respuesta metabólica única.