Un sistema agentivo para el diagnóstico de enfermedades raras con razonamiento trazable

Por qué importa encontrar enfermedades raras más rápido

Para las familias que conviven con enfermedades raras, obtener un nombre para su condición puede llevar años de citas, opiniones contradictorias y callejones sin salida. Esta larga “odisea diagnóstica” retrasa el tratamiento, agota los ahorros y deja a los pacientes en incertidumbre. Este estudio presenta DeepRare, un sistema de inteligencia artificial diseñado para actuar como compañero digital de los médicos. Su objetivo es detectar enfermedades raras antes y explicar su razonamiento de una manera que los profesionales puedan comprobar y confiar.

Un nuevo tipo de asistente digital para médicos

DeepRare está construido para funcionar como lo hacen las clínicas reales. Puede leer notas de clínica en texto libre, listas estructuradas de síntomas y resultados de pruebas genéticas modernas, y convertir todo eso en una lista ordenada de posibles enfermedades raras. A diferencia de muchas herramientas existentes que simplemente devuelven una lista de nombres, DeepRare produce una cadena de razonamiento paso a paso que vincula cada sugerencia con artículos médicos, bases de datos de expertos y casos previos similares. Eso permite que un clínico vea no solo qué recomienda el sistema, sino por qué.

Cómo el sistema razona sobre un caso

En su núcleo, DeepRare está organizado como un sistema “multiagente”. En su centro hay un potente modelo de lenguaje que actúa como coordinador, decidiendo qué hacer a continuación a medida que llega nueva información. Alrededor hay módulos auxiliares especializados: algunos limpian y estandarizan los síntomas, otros buscan en la literatura médica y en bancos de casos de enfermedades raras, y otros interpretan largas listas de variantes genéticas. Para cada paciente, DeepRare cicla entre recopilar evidencia, proponer diagnósticos y luego reexaminar sus propias ideas. Si detecta problemas con una explicación candidata, vuelve a buscar mejor evidencia en lugar de seguir adelante con una hipótesis débil.

Poniendo a prueba DeepRare en el mundo real

Los investigadores evaluaron DeepRare en 6.401 casos de pacientes procedentes de nueve fuentes diferentes, incluidos grandes conjuntos de datos públicos, reportes de casos en línea y cuatro hospitales importantes en Europa, Norteamérica y China. En conjunto, estos casos abarcaron 2.919 enfermedades raras distintas en 14 sistemas orgánicos, desde trastornos cerebrales hasta afecciones renales. Usando solo descripciones de síntomas estructuradas, DeepRare colocó correctamente la enfermedad real en el primer puesto en aproximadamente el 57% de los casos —más de 20 puntos porcentuales por encima del siguiente mejor método y muy por delante de herramientas ampliamente usadas como PhenoBrain y PubCaseFinder. Cuando también estaban disponibles los resultados de la secuenciación genética, la precisión en la primera posición de DeepRare subió a alrededor del 69%, superando a una herramienta genética líder llamada Exomiser en dos cohortes hospitalarias independientes.

Comparando la IA con especialistas humanos

Para comprobar si el rendimiento de DeepRare se sostenía frente a expertos humanos, el equipo realizó una comparación directa usando 163 casos difíciles de un hospital infantil. Cinco médicos con más de una década de experiencia en enfermedades raras fueron invitados a sugerir hasta cinco diagnósticos posibles por caso, usando motores de búsqueda pero sin IA. DeepRare recibió la misma información sobre síntomas. El sistema no solo igualó a los clínicos cuando se le permitieron cinco conjeturas, sino que superó su precisión en la predicción principal única. Otro grupo de diez médicos especialistas en enfermedades raras examinó las cadenas de razonamiento de la IA en 180 casos y juzgó más del 95% de la evidencia citada como precisa y relevante, lo que sugiere que sus explicaciones son médicamente fiables y no meras “historias” generadas por la IA.

Por qué el razonamiento trazable cambia las reglas del juego

Más allá de la precisión bruta, los autores argumentan que DeepRare podría remodelar la investigación de las enfermedades raras. Porque el sistema vincula cada paso de su razonamiento con fuentes médicas y pacientes similares, puede reducir drásticamente el tiempo que un clínico dedica a rastrear la literatura o buscar en bases de datos de casos. Su sólido rendimiento en muchos sistemas orgánicos significa que podría ayudar a médicos no especialistas a reconocer condiciones que rara vez ven, especialmente en hospitales sin centros dedicados a enfermedades raras. El estudio señala desafíos abiertos, como la confusión entre síndromes de apariencia similar y la necesidad de ampliar el sistema hacia el cribado precoz y la planificación del tratamiento. Aun así, los hallazgos sugieren que compañeros de IA diseñados con cuidado como DeepRare podrían acortar la odisea diagnóstica de miles de familias al facilitar el reconocimiento y el razonamiento sobre enfermedades raras en la práctica clínica cotidiana.

Cita: Zhao, W., Wu, C., Fan, Y. et al. An agentic system for rare disease diagnosis with traceable reasoning. Nature 651, 775–784 (2026). https://doi.org/10.1038/s41586-025-10097-9

Palabras clave: diagnóstico de enfermedades raras, IA médica, modelos de lenguaje a gran escala, soporte a la decisión clínica, medicina genómica