El verdadero avance contra las enfermedades raras no es un algoritmo más listo, sino uno que no necesita ver tus datos

Por El Rancagüino · 11 de julio de 2026.

El problema de las enfermedades raras nunca ha sido la falta de interés médico, sino la aritmética: más de 7.000 patologías distintas, cada una afectando a menos de 5 personas por cada 10.000 habitantes, suman más de 300 millones de afectados en el mundo mientras que ningún hospital acumula suficientes casos propios para entrenar un modelo de IA fiable. Es un problema de escala invertida, y hasta ahora la solución obvia —centralizar los datos en una gran base internacional— chocaba con algo tan legítimo como la privacidad médica. El aprendizaje federado, la técnica que describe este artículo, ataca el problema desde el otro lado: en vez de mover los datos hacia el algoritmo, mueve el algoritmo hacia los datos. Cada hospital entrena localmente con sus propios historiales y solo comparte los patrones matemáticos resultantes, nunca la información del paciente. Según explica la investigadora Alba Garrido López, de la Universidad Politécnica de Madrid, los modelos resultantes ya rondan una eficacia cercana al 99% respecto a los entrenados con bases centralizadas; conviene tomar esa cifra como la estimación de una investigadora concreta, no como un estándar validado de forma independiente, pero apunta en una dirección clara.

Lo relevante no es solo la técnica —el aprendizaje federado lleva años usándose en otros campos, desde teclados predictivos hasta banca— sino que aquí encuentra el caso de uso donde su ventaja es más difícil de igualar de otra manera. En diagnóstico raro, el cuello de botella es la fragmentación del conocimiento: un hospital en Santiago ha visto un caso, otro en Múnich ha visto tres, y ninguno de los dos sabe del otro. Proyectos europeos como SYNTHEMA y GENOMED4ALL, o herramientas ya operativas como DxGPT —desarrollada por la Fundación 29, creada por el ingeniero español Julián Isla tras la experiencia con la enfermedad rara de su hijo, y usada ya por miles de médicos en España—, apuntan todos a lo mismo: construir una memoria clínica colectiva sin necesidad de un macroservidor único que concentre datos sensibles de millones de pacientes y que, de paso, sería un blanco de seguridad y un quebradero de cabeza regulatorio en cualquier jurisdicción con leyes de protección de datos serias.

Nuestra lectura es que este tipo de desarrollo —discreto, técnico, sin titulares grandilocuentes— es precisamente el que sostiene la tesis de fondo que defendemos sobre el horizonte de la IA en medicina: no se trata de un modelo que sustituye al médico ni de una promesa vaga de "curar enfermedades", sino de infraestructura que ataca un cuello de botella muy concreto —la escasez estadística de casos raros— con una solución que además resuelve, de camino, el problema de confianza que frena la adopción sanitaria de la IA en general. Si el aprendizaje federado cumple su promesa, el efecto no es solo diagnósticos más rápidos: es que el conocimiento acumulado por un hospital pequeño en un país con pocos recursos puede beneficiar a un paciente al otro lado del mundo sin que ese hospital ceda el control de sus datos, lo cual también es una forma de equidad global en salud.

Dicho esto, conviene no perder de vista el corto plazo, que es donde vive la parte incómoda de esta historia. Más de la mitad de los pacientes con enfermedades raras espera hoy más de un año para obtener un diagnóstico, y ese número no bajará de la noche a la mañana solo porque exista la tecnología: la validación clínica de estos modelos, su aprobación regulatoria hospital por hospital, la heterogeneidad de los propios historiales clínicos entre sistemas de salud distintos y la resistencia natural —justificada— de los médicos a delegar juicio diagnóstico en un sistema opaco son fricciones reales que tardarán años en resolverse, no trimestres. La eficacia del 99% citada por la investigadora es prometedora pero procede de un entorno controlado; el salto a la práctica clínica diaria, con datos ruidosos y sistemas dispares entre países, suele ser más lento y menos limpio de lo que sugieren los primeros resultados.

Aun con esa cautela, el aprendizaje federado encaja en algo mayor que venimos señalando: la IA que más transforma la medicina no siempre es la más espectacular, sino la que resuelve el problema estructural que impedía usar el conocimiento ya existente. Si en unos años miles de enfermedades raras dejan de significar años de peregrinaje diagnóstico para las familias, no será por un único modelo genial, sino por arquitecturas como esta que permiten que el conocimiento médico disperso del mundo entero converja sin que nadie tenga que ceder su privacidad para lograrlo. Es exactamente el tipo de progreso silencioso que, sumado durante una década, se parece bastante a erradicar una enfermedad.