Genosolver: grandes modelos de lenguaje que leen las notas clínicas para diagnosticar enfermedades raras — gen causal en primer lugar en el 72 % de los casos resueltos, pero solo 1,7 % más de diagnósticos en los no resueltos

Un equipo del Centro de Genética Humana de la Universidad RWTH de Aquisgrán construye Genosolver, una cadena de grandes modelos de lenguaje que lee los informes clínicos en bruto, extrae las características del paciente y luego reordena las variantes genéticas para proponer un diagnóstico de enfermedad rara. En 233 casos ya resueltos, el gen causal se clasifica primero en el 72 % y entre los diez primeros en el 94 %, por delante de la herramienta de referencia Exomiser. Pero aplicado a 1 875 casos que seguían sin diagnóstico, la herramienta resuelve solo un 1,7 % más, el comparador recibe menos información que el modelo, y solo uno de los grandes modelos probados supera a la referencia.

El contexto

Una enfermedad rara afecta a pocas personas tomada de forma aislada, pero son miles y, en conjunto, conciernen a decenas de millones de pacientes. Muchas tienen una causa genética. El recorrido diagnóstico — la «odisea diagnóstica» — dura a menudo años, y pese a la secuenciación del exoma (WES, la lectura de las regiones codificantes del genoma) o del genoma completo (WGS), la mayoría de los pacientes sigue sin respuesta tras un estudio de vanguardia.

El cuello de botella no es solo genómico, es fenotípico. Para emparejar a un paciente con un gen, se resumen sus signos clínicos en términos estandarizados de la Human Phenotype Ontology (HPO, un vocabulario controlado que asigna a cada síntoma un identificador único). Pero la HPO capta mal la edad de inicio, la evolución en el tiempo, el detalle de un síntoma, la historia familiar o la ausencia de un signo — información que vive en el texto libre de los informes, no en una lista de códigos. La promesa de los grandes modelos de lenguaje (LLM, modelos entrenados para producir texto, capaces de leer y resumir documentos) y de los modelos de razonamiento (LRM, LLM entrenados para desplegar pasos de razonamiento antes de responder) es precisamente leer ese texto en bruto. La pregunta de este preprint: ¿mejora realmente el diagnóstico esa lectura, y en cuánto en condiciones reales?

El método

Genosolver es una cadena de tres módulos, sin reentrenamiento de los modelos, enriquecida por un enfoque RAG (retrieval-augmented generation: el modelo busca primero pasajes pertinentes en una base documental y luego razona a partir de ellos en lugar de solo de su memoria). El primer módulo extrae las características fenotípicas de los registros no estructurados. El segundo elabora una lista de enfermedades candidatas filtrando una base de conocimiento (GeneReviews, UniProt, HPO) mediante búsqueda vectorial. El tercero asocia esas hipótesis a la lista de variantes del paciente y las reordena, produciendo un resumen de razonamiento.

Las bases de conocimiento consultadas son enormes: 102 899 líneas gen-fenotipo derivadas de los 950 capítulos de GeneReviews, 12 412 asociaciones gen-enfermedad de UniProt que cubren 12 260 genes. El texto clínico, en alemán, se traduce al inglés mediante un modelo dedicado. Para la priorización final, los autores comparan varios LLM ejecutables localmente — Llama-3.3-70B, MedGo 32B, DeepSeek-R1-Distill-70B, GPT OSS 120B — más GPT-5.1 a través de un servicio con residencia en la UE, elección motivada por la confidencialidad de los datos de salud (todo funciona en local o dentro de la UE).

La evaluación principal recae en 233 casos ya resueltos genéticamente en Aquisgrán (trastornos del neurodesarrollo, neuromusculares, afecciones de órgano y hematológicas; edad mediana 25,5 años). El comparador es Exomiser, una herramienta establecida de priorización de variantes, ejecutada con sus ajustes estándar y los términos HPO asignados por expertos. La métrica es la tasa de acierto en k (recall@k): la proporción de casos en que el gen correcto figura entre los k primeros de la lista, para k = 1, 3, 5, 10. Una segunda cohorte sirve de prueba a escala real: 1 875 casos previamente no resueltos, reanalizados dos a tres años después de su secuenciación.

Los resultados

En los 233 casos resueltos, la mejor configuración — Genosolver alimentado con las notas en bruto y acoplado a GPT OSS 120B — clasifica el gen causal primero en el 72 % de los casos (recall@1 = 0,72), entre los tres primeros en el 83 %, entre los diez primeros en el 94 % (recall@10 = 0,94). Exomiser, el segundo mejor, alcanza 0,63 / 0,78 / 0,85 en los mismos rangos: la diferencia es de unos nueve puntos en el recall@10. Cabe destacar que este resultado se apoya en un solo modelo: los otros tres LLM probados no superan la referencia. Cuando se sustituyen las notas en bruto por los solos términos HPO, la ventaja de Genosolver se desvanece, lo que confirma que la ganancia viene de la lectura del texto libre, no de la arquitectura.

La lectura del texto aporta información real: 522 elementos fenotípicos extraídos no eran vinculables a ningún término HPO, entre ellos 342 rasgos simplemente pasados por alto por los expertos, 67 informaciones temporales (edad de inicio, evolución), 8 rasgos negativos (la ausencia explícita de un signo) y 6 elementos de historia familiar. El modelo de razonamiento explota estas pistas: usa la edad en 43 casos (100 % con acierto), la historia familiar en 48 casos (47 correctos), pero el sexo en solo 9 casos, 3 de ellos erróneamente — una huella de alucinación.

Traducción clínica, y esta es la cifra que cuenta. En los 1 875 casos realmente no resueltos, Genosolver produce 31 nuevos diagnósticos, un rendimiento adicional del 1,7 % — un orden de magnitud coherente con otros pipelines de reanálisis. Y de esos 31, 21 se debieron a un simple ajuste de las reglas de filtrado de variantes, 6 a una reclasificación en ClinVar entretanto, 2 a un cambio de anotación del gen. Dicho de otro modo, la mayor parte de la ganancia «en condiciones reales» no viene de un razonamiento diagnóstico nuevo, sino de la evolución de las anotaciones y los umbrales. Hay mucho trecho del 72 % del escaparate al 1,7 % del terreno.

Lo que está bien

Capturar el fenotipo más allá de la lista de códigos. La contribución más sólida está medida, no solo afirmada: 522 elementos clínicos ausentes de la HPO, categorizados con finura (rasgos omitidos, dinámica temporal, signos negativos, historia familiar). Ese es el aporte real de los LLM aquí — leer lo que la estandarización descarta — y el hecho de que la ventaja se evapore al volver a los solos términos HPO lo demuestra a contrario.

Un comparador establecido y una preocupación por la confidencialidad. Muchos artículos de LLM se comparan consigo mismos. Aquí la referencia es Exomiser, una herramienta realmente usada en genética clínica, probada en varias configuraciones de fusión. Y todo el conjunto está diseñado para funcionar en local o con residencia en la UE, una restricción concreta rara vez respetada al manejar registros de pacientes.

La honestidad sobre el rendimiento real. Los autores no ocultan el 1,7 % tras el 72 %. Informan del reanálisis de los casos no resueltos, descomponen el origen de los 31 diagnósticos y sitúan su cifra frente a pipelines existentes. Esta distinción entre reordenar una lista y descubrir un diagnóstico es exactamente lo que falta a la mayoría de los anuncios del campo.

Lo que está menos bien

Una evaluación por delegación expuesta a la fuga de anotaciones. Es la limitación central, y atañe a la vez al data leakage y a la métrica engañosa. Los 233 casos están ya resueltos; las bases consultadas por el RAG (GeneReviews, OMIM, ClinVar) ya contienen la asociación gen-enfermedad de esos casos; y la lista de variantes sometida al modelo está prefiltrada por anotaciones patogénicas (ClinVar no benigno, CADD superior a 20). El gen correcto está, por tanto, casi garantizado en la lista de entrada: el recall@k mide una capacidad de reordenar una lista corta ya enriquecida, no de diagnosticar desde cero. La única prueba que escapa a este sesgo — los casos no resueltos — arroja un 1,7 %.

Un comparador en desventaja. El «+9 %» sobre Exomiser no se obtiene en igualdad de condiciones: Exomiser recibe solo los términos HPO de los expertos, mientras que Genosolver recibe la totalidad de las notas clínicas ricas. Se comparan dos herramientas alimentadas con información distinta, y luego se atribuye la diferencia a la segunda. Con la misma entrada (solo HPO), la ventaja desaparece — los autores lo muestran ellos mismos.

Un solo sitio, un solo modelo, una reproducibilidad cerrada. Toda la validación es monocéntrica (Aquisgrán, texto alemán traducido): ninguna cohorte externa, ninguna diversidad de población, generalizabilidad desconocida. Solo uno de los cuatro LLM probados supera la referencia, lo que vuelve frágil la conclusión frente a la elección del modelo. Ningún intervalo de confianza ni prueba estadística acompaña las diferencias. Por último, el código solo se promete «tras la publicación», los datos de pacientes no son compartibles, y se trata de un preprint no revisado por pares, que los propios autores señalan que no debe usarse para guiar la práctica clínica.

Lo que cambia

Para la comunidad de investigación, el mensaje útil no es «los LLM diagnostican las enfermedades raras» sino «los LLM saben extraer del texto clínico libre elementos fenotípicos que la HPO deja escapar». Es un aporte de preprocesamiento, real y reutilizable. El preprint ofrece además una lección de método: evaluar tal herramienta sobre casos ya resueltos, con listas de variantes preanotadas, sobrestima mecánicamente su valor; el único juez creíble es una cohorte realmente no resuelta, donde la cifra vuelve a caer al 1,7 %.

Para los clínicos, hoy nada es desplegable: una herramienta de investigación semiautomatizada, monocéntrica, no aprobada, sin validación prospectiva y explícitamente no destinada a la práctica. La idea de un asistente que relee los informes para no perder nada del fenotipo es creíble a medio plazo, en apoyo del genetista, no en su lugar. Para los pacientes y el público general, el estudio ilustra la brecha entre un titular y una realidad: un espectacular «72 %» describe un reordenamiento de listas donde la respuesta ya está presente, mientras que la ganancia en la vida real — resolver casos abiertos — es del 1,7 %. Lo cual no resta nada al valor de leer mejor los registros: para una familia perdida en la odisea desde hace diez años, un diagnóstico más de cada cincuenta y nueve no es poca cosa.

Para saber más

El preprint está disponible en medRxiv (10.64898/2026.06.04.26354845). Sobre los grandes modelos de lenguaje enfrentados al razonamiento diagnóstico, véase nuestro decryptage de un LLM que busca activamente la información antes de concluir; sobre un sistema de IA diagnóstica validado en multicéntrico, el de una herramienta de detección de 22 patógenos respiratorios pediátricos; y sobre la brecha entre el rendimiento anunciado y la validación en condiciones reales, el de una validación en mundo real de un modelo de adherencia.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.