El médico sostiene un montón de análisis realizados en distintos momentos. Por separado, cada hoja es solo una fotografía de un día, pero uno quiere ver la película completa de cómo se desarrolló la enfermedad. La red neuronal Tempo aprende a unir esas tomas dispersas en una cinta fluida.
Los modelos de eventos habituales (EBM) se parecen a un arqueólogo que solo puede decir que una vasija es más antigua que una moneda, pero no sabe cuántos siglos las separan. Tempo funciona de otra manera. Se entrena con decenas de miles de historias clínicas ficticias, donde ya se sabe en qué orden y a qué velocidad aparecieron las anomalías en los biomarcadores (signos medibles de la enfermedad). Como un niño que aprende a caminar y se cae al principio, la red neuronal desarrolla un instinto para las trayectorias típicas del mal.
En pruebas con datos ficticios, Tempo se equivocó en el orden de los eventos la mitad de veces que los líderes anteriores, y en casos con decenas de biomarcadores, casi tres veces menos. Cuando al algoritmo se le dieron datos reales de pacientes con enfermedad de Alzheimer (proyecto ADNI), construyó esta cadena: primero se encogen los lóbulos temporales del cerebro, luego se acumula amiloide —una proteína pegajosa que obstruye el espacio intercelular— y solo después la memoria se debilita notablemente. En etapas tardías aparece otra proteína, la tau, y la destrucción cerebral se acelera bruscamente. Esta secuencia coincide con lo que los médicos ya sabían, pero ahora se obtuvo sin ninguna pista manual.
Antes, para cada nueva hipótesis sobre la evolución de la enfermedad, los científicos tenían que deducir fórmulas complejas. Tempo, en cambio, es como una cámara universal a la que no le importa qué fotografiar: rostros, paisajes o microbios. Prueba rápidamente distintas suposiciones y muestra cuál se ajusta mejor a los datos. El montón de análisis en manos del médico por fin se convierte en una verdadera película.
tal como lo escribieron los autores, en inglés arXiv:2604.23368
Event-Based Models (EBMs) infer biomarker progression from cross-sectional data but typically only as ordinal sequences and rely on rigid model assumptions. We propose \textsc{Tempo}, a Transformer architecture that learns both ordinal and continuous event sequences through simulation-based supervised learning. \textsc{Tempo} uses two Transformer modules: one treats biomarkers as tokens to infer event sequencing; the other treats patients as tokens, representing each by their per-biomarker abnormality profile, to infer patients' disease stages. On synthetic benchmarks, \textsc{Tempo} reduces normalized Kendall's Tau distance by 52.89\% and staging MAE by 25.33\% compared to state-of-the-art SA-EBM, with larger reductions in high-dimensional settings (58.88\% and 61.10\%). Applied to ADNI, \textsc{Tempo} recovers a biologically plausible Alzheimer's progression: early medial temporal atrophy, followed by amyloid accumulation and cognitive decline, and late-stage tau pathology with terminal acceleration of global neurodegeneration -- broadly consistent with established disease models. \textsc{Tempo} also eliminates the need to derive custom inference algorithms and enables rapid empirical comparison of generative hypotheses.
La palabra «biomarcador» suena complicada, pero en esencia es solo una huella medible de la enfermedad. El nivel de azúcar en sangre es un biomarcador igual que la cantidad de proteína dañina en el líquido cefalorraquídeo.
La idea de predecir el futuro del paciente a partir de datos dispersos recuerda a «Minority Report» de Philip K. Dick, pero en lugar de tres videntes aquí trabaja una red neuronal entrenada con millones de simulaciones.