Adimen artifiziala (AA) aspalditik ari da gure egunerokoan errotzen. Izugarrizko abiaduran garatzen ari da, eta askori zaila egiten zaigu teknologia honen mugak non egon daitezkeen imajinatzea. Azken hilabeteotan, gainera,
pil-pilean egon da gaia: enpresa teknologiko handietako langile ohien abisu eta kezketatik hasi, eta AEBetan egindako goi bileretan AEBen eta Txinaren arteko lehia teknologikoraino. Etorkizunari begiratzea, askotan, kezkagarria izan daiteke. Baina badira teknologia honek gizarteari ekar diezazkiokeen onurak ere.
Izan ere, iraultzarik interesgarriena ez da pantaila batean gertatzen ari dena, laborategietan gertatzen ari dena baizik. AAren benetako ekarpena ez da gizakiok egiten duguna ordezkatzea, baizik eta oraindik ezagutzen ez duguna aurkitzeko dugun gaitasuna handitzea. Horrela, zientzialariek galdera gehiago eta konplexuagoak ikertzeko aukera zabaltzea ekar dezake. Medikuntzaren arloa etorkizun horren adibiderik interesgarrienetako bat da.
Historikoki medikuntza ideia sinple batean oinarritu da: paziente talde batentzat, batez beste, zerk funtzionatzen duen aztertzea eta ezagutza hori aurrean dugun pertsonari aplikatzea. Baina paziente bat bera ere ez da beste baten berdina, eta diagnostiko bera duten bi pertsonek oso modu desberdinean erantzun diezaiokete tratamendu berari.
Horren aurrean, adimen artifizialak aukera berriak eskaintzen ditu: paziente bakoitzaren milaka datu aldi berean aztertzea —informazio genetikoa, geneen jarduera, proteinak, irudi medikoak, historia klinikoa edo tumorearen ezaugarriak— eta gizakiarentzat antzematen zailak diren patroiak aurkitzea. Helburua ez da, beraz, paziente guztientzat tratamendu bera bilatzea, baizik eta pertsona bakoitzaren ezaugarrietara ahalik eta gehien egokitzen den tratamendua identifikatzea.
Eredu berri hau onkologiaren eremuan ari da garatzen bereziki. Esaterako, aurten AA eredu berri bat aurkeztu da, 33 minbizi motatako 10.000 tumore baino gehiagorekin trebatutakoa. Sistemak tumorearen geneen jarduera aztertzen du eta paziente bakoitzaren erantzun immunitarioaren profila sortzen du. Horrela, immunoterapiaren aurrean erantzuteko aukera duten pazienteak identifikatzen lagun dezake.
Beste lan berri batek, funtsezko beste arazo bati heltzen dio: tumoreak ez dira masa homogeneoak. Zelula mota desberdinez osatuta daude, eta denborarekin aldatu ere egin daitezke. Ikaskuntza sakonean oinarritutako sistema horren helburua heterogeneotasun hori kontuan hartzea da, paziente baten tumoreak farmako desberdinei nola erantzun diezaiekeen aurreikusteko.
Gainera, teknologia berriek paziente baten tumoreari buruzko informazio kopuru ikaragarria biltzea ahalbidetzen dute. Zenbait kasutan, teknologia desberdinak konbinatuta, zelula bakar baten inguruko ehunka gigabyteko (gb) informazioa lor daiteke. AAk datu horiek guztiak integratzeko eta interpretatzeko tresna gisa joka dezake, pertsona jakin batentzat hobekien funtziona dezakeen tratamendua zehazten laguntzeko.
Aurrerapen horiek guztiek medikuntza gero eta pertsonalizatuago baterako bidea ireki dezakete. Paziente bakoitzaren informazio genetikoa eta molekularra aztertuta, AA sistemek gaixotasun baten ezaugarriak hobeto ulertzen eta tratamendu posibleak hautatzen lagun baitezakete.
Iraultza honen potentziala izugarria da, baina funtsezkoa da muga bat argi izatea: aurreikustea ez da diagnostikatzea, eta pertsonalizatzeak ez du esan nahi beti asmatzea. Sistema horietako asko ikerketa fasean daude oraindik, eta baliozkotze klinikoa, datu adierazgarriak eta kontrol zorrotzak behar dituzte medikuntzan benetan erabiltzeko.
AAk zabaltzen dituen aukerak ikusita, ezinbestekoa izango da eztabaida etikoa ere mahai gainean jartzea. Zeintzuk izango dira teknologia honen mugak eta erabilera etikoak? Eta, batez ere, zein helburutarako erabiliko dugu? Gizartearen ongizatea eta osasuna hobetzeko, ala interes politiko eta ekonomiko jakin batzuk asetzeko?
Iturriak:
• Deep learning for predicting patient drug response by transferring gene-level and cell-level knowledge to tumors. Npj Precision Oncology (2026). doi:10.1038/s41698-026-01491-1
•
Feasibility of multiomics tumor profiling for guiding treatment of melanoma. Nature Medicine (2025). doi:10.1038/s41591-025-03715-6
•
Generalizable AI predicts immunotherapy outcomes across cancers and treatments. Nature Medicine (2026). doi:10.1038/s41591-026-04502-7
•
Towards end-to-end automation of AI research. Nature (2026). doi:10.1038/s41586-026-10265-5