El Algoritmo que Predice tu Muerte

Cuando la Máquina Aprendió a Leer el Tiempo que te Queda

Durante siglos, la pregunta sobre el momento de la muerte perteneció al territorio de lo sagrado, lo médico y lo estadístico, en ese orden. Los actuarios de las compañías de seguros lo redujeron a tablas de probabilidad. Los médicos, a diagnósticos con márgenes de error. Pero ninguno de esos sistemas tenía acceso simultáneo a tu genoma, tu historial clínico, tus hábitos de sueño, tu nivel de estrés, la calidad del aire de tu barrio, y el patrón de uso de tu teléfono móvil.

Los modelos de inteligencia artificial actuales sí lo tienen. O están en proceso de tenerlo. Y ese detalle cambia radicalmente la naturaleza del problema.

En 2023, el equipo de DeepMind presentó AlphaFold como una herramienta para predecir estructuras proteicas. Lo que quedó en segundo plano fue la implicación obvia: comprender cómo se dobla una proteína es comprender cómo falla. Y cuando sabes cómo falla el cuerpo con suficiente precisión, puedes estimar cuándo falla definitivamente. El salto de la biología molecular a la actuarialización de la vida humana no es una metáfora. Es una hoja de ruta.

Lo que antes requería décadas de seguimiento epidemiológico, hoy puede inferirse en horas combinando registros sanitarios, datos wearables y biomarcadores en sangre. Varios sistemas hospitalarios en Estados Unidos, Reino Unido y China ya utilizan modelos predictivos para estimar riesgo de mortalidad a corto plazo en pacientes críticos. No como experimento. Como herramienta operativa de asignación de recursos.

Números que No Deberían Existir: Lo que los Modelos ya Saben Hacer

La precisión de estos sistemas no es uniforme ni absoluta. Pero las métricas publicadas en estudios revisados son suficientemente inquietantes para tomarse en serio. Un modelo desarrollado por investigadores del Hospital General de Massachusetts y presentado en Nature Medicine alcanzó una precisión superior al 90% en predicción de mortalidad a 30 días en pacientes hospitalizados, utilizando exclusivamente registros clínicos electrónicos sin necesidad de pruebas adicionales.

El reloj epigenético —desarrollado inicialmente por Steve Horvath en 2013— mide el envejecimiento biológico real de un organismo comparando patrones de metilación del ADN. Sus versiones actualizadas, combinadas con modelos de aprendizaje profundo, pueden predecir no solo la edad biológica, sino el intervalo probable de vida restante con márgenes que los seguros de vida ya están empezando a considerar en sus modelos de tarificación.

Aquí es donde el territorio científico empieza a rozar el territorio económico. Y cuando lo científico toca lo económico, la pregunta sobre quién tiene acceso a esa información se vuelve políticamente urgente.

Tu Fecha de Caducidad como Producto Financiero

El sector asegurador lleva más de un siglo construyendo sus modelos de negocio sobre la probabilidad estadística de muerte. Pero las tablas actuariales clásicas son herramientas ciegas: calculan probabilidades para grupos, no para individuos. Lo que está emergiendo ahora es radicalmente diferente: la posibilidad de tarificar el riesgo vital de cada persona concreta, con una granularidad que hace que las tablas actuariales parezcan arqueología.

Varias aseguradoras en Estados Unidos ya utilizan datos de rastreadores de actividad física para ajustar primas. John Hancock, una de las más grandes del país, migró en 2018 a un modelo en el que los clientes reciben descuentos a cambio de compartir sus datos de salud en tiempo real a través de dispositivos conectados. El modelo se presentó como un incentivo para estilos de vida saludables. El efecto colateral es que la aseguradora acumula una base de datos longitudinal de salud individual de valor incalculable para sus modelos predictivos futuros.

El problema estructural no es que existan modelos predictivos de mortalidad. El problema es la asimetría informativa: el modelo sabe cosas sobre ti que tú no sabes, y esa información se usa para tomar decisiones económicas que te afectan directamente. Una hipoteca, un seguro de vida, una oferta de empleo en determinados sectores. ¿Tienes derecho a saber lo que el algoritmo ha calculado sobre tus años restantes? En la mayoría de jurisdicciones, legalmente no. El modelo es propiedad de quien lo opera.

El Algoritmo No es Neutral: A Quién Condena Antes de que Nazca

Cualquier modelo de predicción es tan imparcial como los datos con los que fue entrenado. Y los datos con los que se han entrenado la mayoría de los modelos de salud existentes tienen un problema estructural conocido y documentado: están sesgados hacia poblaciones blancas, de clase media-alta, en contextos sanitarios occidentales.

Un análisis publicado en Science en 2019 —ampliamente citado en la literatura posterior— encontró que un algoritmo de gestión de salud utilizado por hospitales de Estados Unidos para identificar pacientes que necesitaban atención adicional discriminaba sistemáticamente a pacientes negros. No por diseño explícito, sino porque usaba el gasto sanitario histórico como proxy de necesidad de salud. Y los pacientes negros, históricamente, han gastado menos en salud no porque estén más sanos, sino porque han tenido menor acceso a ella. El algoritmo perpetuaba la exclusión sistémica sin que nadie lo hubiera programado para hacerlo.

Extrapolado a modelos de predicción de mortalidad: si un sistema aprende sobre datos de poblaciones con acceso desigual a sanidad, nutrición y entorno, sus predicciones no describirán la biología del individuo. Describirán las condiciones estructurales de su clase social y su etnia. Y esa predicción se convertirá en decisión. La profecía autocumplida perfecta.

La Paradoja del Destino Calculado: ¿Puede Existir Elección donde hay Predicción?

La filosofía lleva milenios discutiendo el libre albedrío. La novedad del siglo XXI no es el debate en sí: es que por primera vez existe una herramienta técnica que podría zanjar la pregunta de manera práctica, aunque no conceptual. Y la respuesta que da esa herramienta es perturbadora.

Si un modelo predice con alta precisión que vas a morir de enfermedad cardiovascular a los 67 años, eso no significa que estés destinado a ello en sentido metafísico. Significa que, dado el patrón estadístico de personas con tus características, ese es el desenlace más probable. La predicción no anula tu capacidad de cambiar. Pero introduce algo más sutil: la posibilidad de que el conocimiento de la predicción altere el comportamiento, y que esa alteración sea precisamente lo que el sistema no modeló.

En psicología del comportamiento, el efecto nocebo es bien conocido: creer que algo malo va a ocurrirte aumenta la probabilidad de que ocurra. Si un paciente sabe que su modelo predictivo le asigna alto riesgo de muerte prematura, ¿ese conocimiento lo paraliza, lo motiva, o simplemente lo convierte en una profecía que cumple por mecanismos que el propio algoritmo no puede anticipar? La respuesta varía por individuo. Pero el sistema no está diseñado para individuos. Está diseñado para gestionar poblaciones.

Aquí emerge la distinción más importante que este debate suele ignorar: hay una diferencia radical entre predecir y prescribir. Un modelo que predice tu riesgo de muerte para que puedas actuar sobre él es una herramienta. Un modelo que usa esa predicción para determinar si mereces un tratamiento, un crédito o un trabajo es algo diferente. Y la línea entre ambos usos no está garantizada por ningún marco regulatorio actual.

El Vacío Normativo: Dónde la Ley Aún No ha Llegado

El Reglamento General de Protección de Datos europeo (RGPD) prohíbe el tratamiento de datos de salud sin consentimiento explícito y establece el derecho a no ser objeto de decisiones automatizadas con efectos significativos. En teoría, esto debería proteger a los ciudadanos europeos de los escenarios más extremos. En la práctica, la arquitectura de estos sistemas hace la aplicación extraordinariamente difícil.

Primero, porque la mayoría de los datos de salud que alimentan estos modelos se recogen en contextos donde el consentimiento está enterrado en términos y condiciones de decenas de páginas. Segundo, porque cuando el algoritmo opera como sistema de soporte a la decisión —es decir, cuando un médico o un gestor tiene la última palabra técnicamente—, la prohibición de decisiones puramente automatizadas pierde mordiente. El ser humano en el bucle se convierte en pantalla de responsabilidad legal, no en garantía real de supervisión.

La AI Act europea, aprobada en 2024 y en proceso de implementación escalonada, clasifica los sistemas de IA para evaluación de riesgos en sectores críticos como de alto riesgo, lo que implica obligaciones de transparencia, registro y auditoría. Sin embargo, la definición de qué constituye un sistema de predicción de mortalidad en términos regulatorios sigue siendo suficientemente ambigua como para que diferentes implementaciones puedan clasificarse de formas muy distintas dependiendo de su presentación comercial.

Lo que la Máquina no Puede Calcular

Hay una trampa epistemológica en el centro de este debate que merece nombrarse con claridad: confundimos correlación estadística con determinismo biológico. Un modelo que predice correctamente la muerte el 90% de las veces no ha descubierto el destino. Ha encontrado patrones en datos pasados que, en condiciones similares, tienden a repetirse. Ese 10% restante es el espacio donde la agencia humana, la aleatoriedad y la intervención médica aún operan. La pregunta es si ese espacio se está comprimiendo o expandiendo a medida que los modelos mejoran.

Lo que sí parece claro, documentado y en marcha, es que la información sobre tu probabilidad de muerte ya está siendo usada para tomar decisiones sobre tu vida. No mañana. Ahora. Y que la mayoría de las personas que forman parte de ese proceso —como asegurados, como pacientes, como solicitantes de crédito— no lo saben.

La pregunta sobre el libre albedrío puede ser, en última instancia, la equivocada. La pregunta más urgente podría ser otra: ¿quién controla la predicción? ¿Con qué datos fue entrenada? ¿Quién tiene acceso a sus conclusiones? ¿Y qué consecuencias concretas produce en la vida de personas que nunca consintieron participar en ese cálculo?

Las respuestas a esas preguntas no las da ningún algoritmo. Las dan las decisiones políticas, institucionales y sociales que todavía están, en su mayor parte, por tomarse.