Modelos de lenguaje mejorados para predecir y comprender el abandono de la atención del VIH: un estudio de caso en Tanzania

Por qué es importante mantener a las personas en la atención del VIH

Mantener el tratamiento del VIH es una de las herramientas más potentes que tenemos para mantener a las personas saludables y evitar la propagación del virus. Sin embargo, en muchas partes del mundo, sobre todo en el África subsahariana, algunos pacientes dejan de recoger sus medicinas o no acuden a las consultas, a menudo por razones sociales y económicas complejas. Este estudio explora si un tipo nuevo de inteligencia artificial, llamado modelo de lenguaje a gran escala, puede ayudar a los médicos en Tanzania a identificar quiénes tienen más riesgo de abandonar la atención para que el apoyo pueda llegarles antes de que surjan problemas.

Convertir los registros médicos en una historia útil

Los investigadores trabajaron con más de 4,8 millones de registros médicos electrónicos de más de 260.000 personas que viven con el VIH y recibieron atención en Tanzania entre 2018 y 2023. Estos registros incluían edad, sexo, fechas de las visitas a la clínica, número de pastillas entregadas, resultados de laboratorio como la carga viral y detalles sobre los centros de salud. En lugar de mirar instantáneas aisladas en el tiempo, el equipo se centró en historias completas de atención, capturando patrones como citas perdidas o retrasadas y brechas en la toma de la terapia antirretroviral. Luego tradujeron estos datos en resúmenes en lenguaje claro que un modelo de lenguaje pudiera leer casi como una biografía del paciente.

Enseñar a una IA a pensar como un clínico cuidadoso

El equipo adaptó un modelo de lenguaje de código abierto (Llama 3.1) y lo afinó con los registros tanzanos para que pudiera responder a una pregunta específica: en el próximo año, ¿es probable que este paciente deje de recibir tratamiento durante semanas, desarrolle una carga viral detectable o se pierda del seguimiento? Para hacerlo de manera consistente, se instruyó al modelo para que respondiera en un formato de frase fijo describiendo tres resultados: si el virus estaría suprimido o detectable, si la persona probablemente se perdería del seguimiento por más de 28 días, y si su riesgo de incumplimiento del tratamiento sería alto, moderado, bajo o nulo. Dado que la entrada también se escribía como texto estandarizado, el sistema podía procesar historias complejas y explicar su razonamiento en lenguaje comprensible para las personas.

Cómo se compara el nuevo modelo con herramientas anteriores

El modelo de lenguaje mejorado se evaluó en dos regiones de Tanzania: Kagera, donde fue entrenado, y Geita, donde nunca había visto esos datos. Su desempeño se comparó con un método tradicional sólido de aprendizaje automático y con el mismo modelo de lenguaje utilizado “tal cual” sin afinado. En los resultados clave, el modelo mejorado clasificó a los pacientes con mayor precisión de forma consistente. Para predecir quién se perdería del seguimiento—una interrupción de 28 días o más en la atención—alcanzó puntuaciones de exactitud (AUC) de 0,77 en Kagera y 0,71 en Geita, superiores tanto al modelo convencional como a los modelos de lenguaje no afinados. Cuando los programas de salud sólo pueden centrarse en una fracción de pacientes, esto importa: entre el 25% de pacientes que el modelo mejorado marcó como de mayor riesgo, aproximadamente tres de cada cuatro realmente se perdieron del seguimiento, permitiendo orientar recursos escasos hacia donde más se necesitan.

A qué “presta atención” la IA

Debido a que los modelos de lenguaje usan mecanismos de atención, los investigadores pudieron ver qué piezas de información influyeron más en las predicciones. El modelo se centró fuertemente en factores relacionados con la continuidad de la atención: largos intervalos entre visitas, citas retrasadas o perdidas, señales de mala adherencia a la medicación y el tiempo que la persona había vivido con el VIH. La edad y el sexo también jugaron un papel, con un rendimiento especialmente fuerte en la predicción de pérdida del seguimiento entre adultos mayores y personas que no habían estado en atención en 2021. En comparación con el modelo tradicional, que se apoyaba más en datos demográficos básicos y recuentos de pastillas, el modelo de lenguaje mejorado dibujó una imagen más rica del compromiso del paciente a lo largo del tiempo. Los médicos tanzanos especializados en VIH que revisaron una muestra de casos estuvieron de acuerdo con los juicios del modelo en el 65% de las ocasiones, y en la mayoría de esos casos coincidentes encontraron las explicaciones escritas por la IA clínicamente sensatas.

Equilibrar promesa, privacidad y practicidad

El estudio también abordó preocupaciones del mundo real sobre privacidad y despliegue. Todos los datos se desidentificaron y se almacenaron en un clúster informático local seguro, y el equipo probó salvaguardas adicionales como desplazar ligeramente las fechas de las visitas preservando las líneas temporales. Señalan que usar una IA tan avanzada introduce desafíos técnicos y de mantenimiento, y que los modelos entrenados en dos regiones tanzanas pueden necesitar adaptación en otros lugares. Aun así, dado que el modelo mejorado fue mejor identificando a pacientes de alto riesgo incluso cuando esos casos eran relativamente raros, podría hacer que los programas de alcance sean más eficientes—ayudando a los clínicos a actuar antes, antes de que las interrupciones del tratamiento conduzcan a rebotes virales y a un mayor riesgo de transmisión.

Qué significa esto para las personas que viven con el VIH

Para un observador no especializado, la conclusión es que este tipo de IA actúa como un par de ojos expertos adicionales que escanean miles de historias de pacientes a la vez. No reemplaza a médicos o enfermeras, pero puede alertarles cuando el patrón de visitas y resultados de laboratorio de alguien sugiere que pronto podría abandonar la atención. Usadas con cuidado y de forma ética, estas herramientas podrían ayudar a los trabajadores de la salud en Tanzania y en contextos similares a dirigir llamadas telefónicas, visitas domiciliarias o apoyo económico a quienes más lo necesitan, aumentando las tasas de éxito del tratamiento y acercando al mundo a objetivos de largo plazo para controlar la epidemia del VIH.

Cita: Wei, W., Shao, J., Lyu, R.Q. et al. Enhanced language models for predicting and understanding HIV care disengagement: a case study in Tanzania. npj Digit. Med. 9, 165 (2026). https://doi.org/10.1038/s41746-026-02349-3

Palabras clave: retención en la atención del VIH, modelos de lenguaje a gran escala, historiales médicos electrónicos, África subsahariana, adherencia a la terapia antirretroviral