La inteligencia artificial ya ayuda a acortar la búsqueda de un diagnóstico en enfermedades ultrarraras y empieza a orientar qué tratamientos vale la pena probar, pero no sustituye al especialista ni al laboratorio. Sirve para cruzar síntomas, genes e historiales a una escala que una persona no alcanza. Sus resultados son hipótesis que alguien debe confirmar. Esta guía explica qué datos y métodos se usan, qué se ha probado en pacientes reales, dónde falla y cómo debe leer un resultado una familia o un médico.
En resumen
- La IA integra datos genómicos, historias clínicas, imágenes y fenotipos para proponer diagnósticos candidatos y genes sospechosos.
- En la red de enfermedades no diagnosticadas de EE. UU. (UDN), la herramienta SHEPHERD situó primero el gen causal en el 40 % de los pacientes evaluados.
- El gran obstáculo es la escasez de datos: con pocos pacientes por enfermedad, los modelos aprenden mal y se equivocan.
- Para tratamientos, la IA prioriza candidatos, pero fármacos, oligonucleótidos antisentido o terapia génica solo se confirman en modelos celulares y ensayos.
- Todo resultado de IA debe interpretarse junto a un genetista o médico con formación en genética molecular.
Tabla de contenidos
- Por qué las enfermedades ultrarraras son un problema de datos
- Diagnóstico: de los síntomas al gen causal
- Cuando faltan datos: cómo se compensa
- De la IA al tratamiento
- Límites, riesgos y validación
- Cómo leer un resultado de IA
- Nuestra perspectiva
- Cómo podemos ayudar
- Preguntas frecuentes
- Fuentes
Por qué las enfermedades ultrarraras son un problema de datos
Una enfermedad rara afecta a pocas personas. Una ultrarrara afecta a tan pocas que un solo hospital puede ver un caso en toda su historia. Eso crea dos problemas a la vez. Los médicos casi nunca han visto el cuadro, y los algoritmos casi no tienen ejemplos de los que aprender.
La literatura científica lo resume así: la IA puede integrar e interpretar datos ómicos, historias clínicas e imágenes para apoyar el diagnóstico, pero su aplicación choca con la escasez de datos y con la variabilidad clínica entre pacientes (recomendaciones de expertos sobre IA en enfermedades raras, 2024). Dos pacientes con la misma mutación pueden presentar síntomas distintos, y un mismo síntoma puede venir de cientos de causas.
Por eso casi todo lo que sigue gira alrededor de una idea: la IA es útil en la medida en que se le dan datos buenos y bien organizados. Si quiere preparar los suyos, nuestra guía sobre cómo organizar registros médicos para diagnóstico raro es un buen punto de partida.
Diagnóstico: de los síntomas al gen causal
El diagnóstico es donde la IA lleva más recorrido. Muchas familias pasan años de consulta en consulta, y cualquier herramienta que reduzca esa espera tiene un valor enorme.
Qué datos y métodos se emplean
Según la revisión de expertos citada, se trabaja con datos ómicos (genoma, exoma, transcriptoma), registros médicos, imágenes y fenotipos codificados con la ontología HPO (Human Phenotype Ontology), un vocabulario común para describir síntomas. Los métodos incluyen aprendizaje automático, ontologías y emparejamiento ponderado de fenotipos (Orphanet Journal of Rare Diseases, 2024).
En la práctica ocurre algo así. El médico registra los síntomas del paciente con términos HPO. Se secuencia el exoma o el genoma. El sistema compara el perfil clínico con lo conocido sobre miles de genes y enfermedades y devuelve una lista ordenada de genes o diagnósticos candidatos. Un analista humano revisa esa lista. Si le interesa esta última etapa, hablamos de ella en el papel del análisis bioinformático en el diagnóstico raro.
Herramientas probadas en pacientes
SHEPHERD es el ejemplo mejor documentado. Usa aprendizaje profundo y aprendizaje con pocos ejemplos (few-shot learning) para diagnosticar enfermedades raras a partir de términos fenotípicos, incluso cuando hay pocos o ningún caso etiquetado de esa enfermedad. En pacientes de la Undiagnosed Diseases Network, identificó primero el gen causal en el 40 % de los casos y mejoró la eficiencia diagnóstica al menos dos veces frente a una clasificación sin guía (npj Digital Medicine, 2025).
Leído con calma, el dato dice dos cosas. Es un avance real: en cuatro de cada diez pacientes, la herramienta puso el gen correcto en primer lugar. Y también dice que en seis de cada diez no lo hizo. La IA acelera el trabajo, no lo garantiza.
Otro ejemplo es FindZebra, un buscador para médicos que analiza descripciones clínicas con procesamiento de lenguaje natural y las compara con la literatura médica para sugerir posibles enfermedades raras (Med Device Online, 2025). Funciona como una segunda opinión documental para quien tiene delante un cuadro que no reconoce.
Cuando faltan datos: cómo se compensa
La revista NEJM AI resume las estrategias para mitigar la falta de datos: generar datos sintéticos, crear bases de datos centralizadas y promover colaboraciones público-privadas (NEJM AI, 2025). Cada una tiene sus costes.
- Datos sintéticos. Sirven para ampliar ejemplos, pero un dato inventado a partir de pocos casos reales puede reproducir sus sesgos.
- Bases centralizadas. Multiplican los pacientes disponibles, pero exigen estándares comunes y consentimiento claro. Hemos revisado cómo funcionan en los mejores registros globales de enfermedades raras y en la plataforma de datos compartidos.
- Colaboración público-privada. Une hospitales, fundaciones y empresas, siempre que se acuerde quién custodia los datos.
No toda la mejora viene de más pacientes: también cuenta la calidad con la que se almacenan y limpian los datos. Una buena higiene de datos evita duplicados, versiones contradictorias y archivos que nadie sabe a quién pertenecen, errores que un modelo de IA amplifica sin avisar. Y el dato de mundo real en enfermedades raras puede completar lo que no cubren los ensayos.
De la IA al tratamiento
Diagnosticar no es tratar. Cuando existe un diagnóstico, en la mayoría de las enfermedades ultrarraras no hay un fármaco aprobado. Ahí la IA se usa de otra forma: para priorizar qué probar.
Reconstruir las piezas que faltan
Un equipo coordinado por el Barcelona Supercomputing Center desarrolló una tecnología de IA que usa grandes bases de datos biomédicas para explorar las relaciones funcionales entre los genes de cada paciente, con el fin de recuperar las piezas del puzle de una enfermedad que no se veían por falta de pacientes. Según la agencia SINC, el estudio permitió además entender las posibles causas genéticas detrás de los efectos beneficiosos de tratamientos como el salbutamol en algunos pacientes (Agencia SINC). La idea es valiosa: entender por qué un fármaco ya existente ayuda a unos pacientes y a otros no.
Oligonucleótidos a medida
Otra vía es diseñar un tratamiento para una sola persona. El caso más citado es el de milasen, un oligonucleótido antisentido (ASO) desarrollado para una única paciente con enfermedad de Batten, descrito como hito del desarrollo n-of-1 (Methods in Molecular Biology, Springer). La IA puede ayudar a puntuar qué mutaciones son susceptibles de corregirse con un ASO y qué secuencias merecen sintetizarse. Pero la decisión final sale de datos experimentales, no de la predicción.
Lo que la IA no puede reemplazar
Una predicción informática no demuestra que un fármaco funcione en las células de una persona. Por eso el paso intermedio importa: crear un modelo con las células del propio paciente, por ejemplo células madre pluripotentes inducidas (iPSC), y observar allí si un fármaco o un ASO corrige el defecto. La IA propone; el modelo celular dispone. Una explicación más amplia está en qué es la medicina de precisión genética.
Límites, riesgos y validación
La IA en salud tiene problemas conocidos, y en enfermedades ultrarraras se agravan.
- Pocos datos, más error. Un modelo entrenado con pocos casos puede dar una respuesta segura y equivocada.
- Sesgo de origen. Si los datos proceden sobre todo de ciertas poblaciones, el modelo rinde peor con el resto.
- Uso sin formación. Los autores de la revisión de 2024 advierten de que la IA debe integrarse con conocimiento experto y que su uso por clínicos sin formación exhaustiva en genética molecular puede provocar diagnósticos erróneos (Orphanet Journal of Rare Diseases).
- Integración clínica. Investigadores en el Journal of Medical Internet Research sostienen que el éxito de los sistemas de apoyo a la decisión clínica con IA depende tanto del algoritmo como de la calidad de los datos, la gobernanza ética y su encaje en el flujo de trabajo (JMIR, 2026).
Qué espera la FDA
En Estados Unidos, la FDA ha avanzado hacia marcos regulatorios basados en riesgos para la IA: borradores de guía sobre su uso en decisiones regulatorias y gestión de la calificación de herramientas de desarrollo de fármacos. También ha impulsado el Rare Disease Innovation Hub (Personalized Medicine Coalition, 2025). Para quien desarrolla fármacos, la consecuencia práctica es clara: transparencia, fiabilidad e integridad de los datos, y modelos documentados, interpretables y validados (BioPharma Dive, 2025).
Esa exigencia de documentación no es solo burocracia. Un laboratorio que trabaja con trazabilidad, registro de versiones y control de calidad produce datos que un regulador puede revisar. Las buenas prácticas en laboratorio y el seguimiento del rendimiento de cualquier herramienta de IA van de la mano.
Cómo leer un resultado de IA
Si usted es familiar o paciente y recibe un informe que menciona una herramienta de IA, estas preguntas ayudan.
- ¿Es un diagnóstico o una lista de candidatos? La mayoría de las herramientas ordenan posibilidades. Un diagnóstico se confirma con el cuadro clínico y con una variante genética bien clasificada.
- ¿Quién lo ha revisado? Pida que lo interprete un genetista clínico o un médico con formación en genética molecular.
- ¿Con qué datos se entrenó? Si la enfermedad es ultrarrara, pregunte cuántos casos reales tenía el modelo.
- ¿Qué prueba lo confirmaría? Un estudio funcional, un análisis familiar o un modelo celular.
- ¿Qué decisión cambia? Si el resultado no cambia el manejo ni abre una vía de investigación, quizá no hace falta actuar sobre él.
Y un consejo práctico: lleve sus datos ordenados y completos. Un registro de pacientes raros bien mantenido o una comunidad de pacientes activa pueden conectar su caso con otros parecidos, que es justo lo que a la IA le falta.
Nuestra perspectiva
La pregunta que más oímos de familias no es qué algoritmo es mejor, sino qué hacemos ahora. Nuestra respuesta es que la IA vale lo que vale la prueba que la sigue.
Creemos que el orden correcto es este: usar la IA para reducir el espacio de búsqueda y luego comprobarlo en un modelo derivado de las células del propio paciente. En RareLabs trabajamos con muestras de sangre o piel para generar iPSC, creamos líneas corregidas con CRISPR como control y probamos en paralelo varias modalidades: una biblioteca de unos 3.000 fármacos aprobados por la FDA, ASOs diseñados a medida y estrategias de terapia génica. Nuestro sistema de puntuación de amenabilidad, RINAE, ayuda a decidir por dónde empezar, pero lo tratamos como un filtro y no como una conclusión.
También pensamos que la transparencia es parte del resultado. Una familia debería recibir no solo un "funciona" o "no funciona", sino los datos, las líneas celulares y el estudio que lo respalda, estructurados de modo que otro equipo o un regulador pueda revisarlos. Y creemos que ningún modelo, por sofisticado que sea, sustituye al médico que conoce al paciente.
— John
Cómo podemos ayudar
Si su caso es una enfermedad genética ultrarrara o sin diagnóstico, y existe una variante identificada, un estudio de amenabilidad puede mostrar qué vías terapéuticas son realistas antes de comprometer recursos. En RareLabs desarrollamos modelos de enfermedad a partir de las células del paciente, cribamos fármacos aprobados, diseñamos y validamos ASOs in vitro y preparamos paquetes de datos para etapas regulatorias. Trabajamos con familias, médicos, fundaciones y empresas biotecnológicas. Los precios dependen de cada programa y no están publicados, así que el primer paso es contactarnos.
Preguntas frecuentes
¿La IA puede diagnosticar una enfermedad ultrarrara por sí sola?
No. Las herramientas actuales proponen genes o enfermedades candidatas y las ordenan por probabilidad. Un especialista debe confirmar el diagnóstico con la clínica y las variantes genéticas. Los propios expertos advierten de que su uso sin formación en genética molecular puede llevar a errores.
¿Qué datos necesita la IA para trabajar con mi caso?
Los más útiles son una secuenciación genética (exoma o genoma), una descripción clínica detallada con términos estandarizados como HPO, informes médicos e imágenes. Cuanto más ordenados y completos estén, mejor puede la herramienta comparar su caso con otros.
¿La IA puede encontrar un tratamiento?
Puede ayudar a priorizar candidatos, por ejemplo qué fármaco existente o qué estrategia con ASO parece más prometedora. Pero una predicción no prueba eficacia. Hace falta validarla en un modelo celular y, después, en estudios clínicos con supervisión regulatoria.
¿Es seguro compartir mis datos médicos para entrenar modelos de IA?
Depende de quién los reciba y de qué consentimiento firme. Pregunte quién custodia los datos, si se anonimizan, para qué se usarán y si puede retirarlos. Los registros y plataformas serios documentan estas condiciones por escrito.
Fuentes
- Leaving no patient behind! Expert recommendation in the use of AI in rare diseases (Orphanet Journal of Rare Diseases, 2024)
- Mitigating Limited Data Challenges to Improve Artificial Intelligence (NEJM AI, 2025)
- Few shot learning for phenotype-driven diagnosis of patients with rare genetic diseases (npj Digital Medicine, 2025)
- A Look At AI-Driven Medtech For Rare Disease Diagnosis (Med Device Online, 2025)
- Inteligencia artificial para mejorar tratamientos de enfermedades raras (Agencia SINC)
- Milasen: patient-customized N-of-1 antisense oligonucleotides (Methods in Molecular Biology)
- AI in Clinical Decision Support Systems (JMIR, 2026)
- Personalized Medicine at FDA (Personalized Medicine Coalition, 2025)
- Translating FDA guidance into action (BioPharma Dive, 2025)