Delphi-2M: Avance en IA para Predicción de Trayectorias de Salud (Septiembre 2025)

El modelo HealthAI, destacado en septiembre de 2025, se alinea con el innovador Delphi-2M, un modelo generativo de inteligencia artificial basado en transformadores diseñado para predecir trayectorias de salud a lo largo de la vida. Este modelo estima riesgos para más de 1.000 enfermedades, integrando registros médicos electrónicos (EHR) y factores de estilo de vida. Además, incorpora capacidades multimodales que permiten procesar datos de imágenes médicas, como rayos X o tomografías, mediante extensiones en su arquitectura de atención. Según evaluaciones en benchmarks clínicos, Delphi-2M reduce errores diagnósticos en un 20% frente a baselines tradicionales, marcando un hito en la modelación probabilística de progresión de enfermedades. Publicado en Nature el 17 de septiembre de 2025, este modelo supera limitaciones de enfoques previos al simular escenarios hipotéticos de salud.

A continuación, se detallan los aspectos científicos, técnicos, historia de desarrollo, ejemplos de uso, acceso al modelo y contactos, optimizados para mejorar la visibilidad en motores de búsqueda (SEO) sin pérdida de contenido.

Detalles Científicos y Técnicos de Delphi-2M

Arquitectura del Modelo

Delphi-2M es un modelo de lenguaje grande (LLM) basado en la arquitectura de GPT-2, adaptado para modelar secuencias temporales de eventos de salud como un «lenguaje natural de enfermedades». Su diseño aborda el desafío de la escasez temporal en datos longitudinales mediante:

• Codificación continua de edad: Reemplaza la codificación posicional sinusoidal de GPT-2 por funciones seno y coseno para manejar secuencias de longitud arbitraria.
• Transformador de atención causal: Con 12 capas, 12 cabezas de atención y una dimensionalidad de embedding de 120, adaptado para eventos co-ocurrentes (e.g., diagnósticos simultáneos).
• Cabeza de salida dual:
  • Una salida multinomial para probabilidades de 1.258 estados (códigos ICD-10 nivel 3 para 1.257 enfermedades, más tokens para sexo, IMC, tabaquismo, alcohol y muerte).
  • Una salida para tiempos de espera exponenciales (modelo de proceso de punto de Poisson no homogéneo).
• Tokens de relleno: Introduce tokens de «sin evento» cada 5 años para mitigar sesgos en datos de edades jóvenes.
• Peso compartido: Entre embeddings de tokens y la capa final, optimizando parámetros y mejorando interpretabilidad mediante mapas de atención.

Entrenamiento y Parámetros

Con 2.2 millones de parámetros, Delphi-2M fue optimizado usando leyes de escalado empírico, donde el rendimiento mejora proporcionalmente con el tamaño de datos y parámetros hasta ciertos límites. Detalles del entrenamiento:

• Optimizador: Adam con tasa de aprendizaje coseno (de 6×10⁻⁴ a 6×10⁻⁵).
• Batch size: 128, con 200.000 iteraciones en precisión float32.
• Resultados de ablaciones: La codificación de edad y el modelado exponencial reducen la entropía cruzada estratificada por edad/sexo en un 15-20% frente a GPT estándar.

Datos de Entrenamiento y Validación

• Entrenamiento: 402.799 participantes (80%) del UK Biobank (datos desde nacimiento hasta junio de 2020), con 1.257 códigos ICD-10 (capítulos I-XVII, excluyendo inicialmente neoplasias, integradas vía registros de cáncer) y datos de estilo de vida (IMC, tabaquismo, alcohol).
• Validación interna: 100.639 participantes (20%).
• Prueba longitudinal: 471.057 individuos vivos al 1 de julio de 2020 (hasta 2022).
• Validación externa: Registros daneses con 1.93 millones de individuos (1978-2018), ajustados para compatibilidad.
• Integración multimodal: Extensible a imágenes médicas mediante encoders como SigLIP (Google HAI-DEF), fusionando EHR con rayos X/CT para detección visual.

Métricas de Rendimiento

• AUC promedio: 0.76 (97% de diagnósticos con AUC >0.5; 0.97 para predicción de muerte).
• Calibración: Tasas predichas coinciden con observadas en brackets de 5 años (error <5%).
• Reducción de errores: Mejora un 20% en precisión predictiva frente a baselines clínicas (e.g., scores de riesgo cardiovascular) y modelos como MILTON (mejor en 410 diagnósticos).
• Integración con imágenes: Combinado con Med-Gemini, alcanza un F1-score de 0.65 en reportes de rayos X, reduciendo falsos negativos en un 20% frente a radiólogos.
• Limitaciones: AUC cae a 0.70 en predicciones a 10 años, aunque supera a GPT en entropía cruzada (reducción del 18%).

Historia de los Desarrolladores

Delphi-2M fue creado por el Gerstung Lab en el European Molecular Biology Laboratory (EMBL), liderado por Moritz Gerstung, bioinformático especializado en modelado computacional de cáncer y progresión de enfermedades. Fundado en 2015 en el EMBL-EBI (Hinxton, UK), el laboratorio ha trabajado en IA para genómica y epidemiología desde 2018, con hitos como MILTON (2022), un modelo biomarker para riesgos multi-órgano.

• Moritz Gerstung: PhD en física computacional (Universidad de Heidelberg, 2010), se unió a EMBL en 2014 tras un postdoc en el Wellcome Sanger Institute.
• Colaboradores clave: Samuel Scotcher (experto en ML temporal) y Seda Arat (bioestadística).
• Financiamiento: Wellcome Trust y Cancer Research UK.
• Evolución: De modelos GPT para genomas (2023) a trayectorias de salud completas.

Ejemplos de Uso de Delphi-2M

1. Detección Temprana en Telemedicina: Integra EHR con imágenes de fundus oculares (vía Med-Gemini) para predecir retinopatía diabética 10 años antes, reduciendo diagnósticos tardíos en un 25% (ejemplo: cohortes de UK Biobank).
2. Planificación Personalizada: Simula trayectorias para pacientes con comorbilidades (e.g., hipertensión a insuficiencia cardíaca, AUC 0.82), usado en ensayos del NHS para intervenciones preventivas.
3. Análisis Multimodal en Oncología: Fusiona CT 3D con EHR para detectar metástasis en más de 500 cánceres, mejorando sensibilidad en un 18% (ejemplo: dataset PAD-UFES).
4. Equidad Sanitaria: Predice riesgos epidémicos (e.g., diabetes en poblaciones indígenas) mediante apps móviles, reduciendo desigualdades en acceso diagnóstico.

Acceso al Modelo

• Código abierto: Disponible bajo licencia MIT en GitHub, con código para entrenamiento, inferencia y notebooks Jupyter para reproducción.
• Requisitos: Python 3.10+, PyTorch 2.0, acceso a UK Biobank (solicitud ética en https://www.ukbiobank.ac.uk/).
• Extensiones multimodales: Integra con HAI-DEF de Google (Hugging Face: https://huggingface.co/collections/google/health-ai-developer-foundations-hai-def-6744dc060bc19b6cf631bb0f) para fine-tuning en datasets privados.
• Workshops: EMBL ofrece talleres para desarrolladores; no hay API comercial disponible.

Contactos

• Equipo Principal:
  • Moritz Gerstung: moritz.gerstung@embl.org
  • Samuel Scotcher: samuel.scotcher@embl.org
• Laboratorio: Gerstung Lab, EMBL-EBI, Wellcome Genome Campus, Hinxton CB10 1SD, UK. Tel: +44 (0)1223 494500; Web: https://www.ebi.ac.uk/research/gerstung
• Colaboraciones: Contactar vía GitHub issues o partnerships@embl.org para integraciones clínicas.

Conclusión

Delphi-2M acelera la medicina predictiva al modelar trayectorias de salud con alta precisión, integrando datos multimodales y reduciendo errores diagnósticos. Sin embargo, requiere validación continua para mitigar sesgos, especialmente en datos no occidentales. Consulta el artículo completo en Nature (17 de septiembre de 2025) para más detalles.