Un modelo entrenado con más de 40 millones de imágenes relaciona la edad facial con la supervivencia de pacientes oncológicos. Los investigadores ven potencial clínico, pero advierten de que aún falta validar su utilidad médica.
Una fotografía podría contener más información sobre el estado de salud de una persona de la que se aprecia a simple vista. Una nueva investigación internacional ha desarrollado una inteligencia artificial capaz de estimar la edad biológica a partir del rostro y detectar patrones asociados con la supervivencia de pacientes con cáncer.
El estudio, publicado en la revista científica The Lancet Digital Health, presenta dos herramientas que analizan imágenes faciales para calcular la edad aparente y estimar el riesgo de mortalidad. El modelo se entrenó inicialmente con más de 40 millones de fotografías de rostros y después se adaptó a tareas relacionadas con la salud y el pronóstico oncológico.
Uno de los resultados más llamativos es que los pacientes cuya edad facial estimada superaba en al menos cinco años su edad real presentaban un 21 % más de riesgo de muerte que el grupo de comparación, según los datos publicados.
Pero hay una diferencia fundamental: el sistema no determina cuándo va a morir una persona ni sustituye las pruebas médicas. Identifica asociaciones estadísticas que podrían ayudar a los profesionales sanitarios a evaluar mejor el estado general de determinados pacientes.
FAHR-Face: la inteligencia artificial que interpreta el rostro
El sistema recibe el nombre de FAHR-Face, siglas en inglés de Foundation Artificial Intelligence for Health Recognition. El equipo investigador desarrolló dos herramientas a partir de este modelo para abordar cuestiones diferentes.
La primera, FAHR-FaceAge, estima la edad facial a partir de una fotografía. La segunda, FAHR-FaceSurvival, utiliza imágenes de pacientes oncológicos y datos sobre su evolución clínica para estimar el riesgo de mortalidad.
El planteamiento parte de una hipótesis conocida en medicina: la edad cronológica no siempre refleja el estado fisiológico de una persona. Dos individuos de la misma edad pueden presentar diferencias importantes en su capacidad funcional, sus enfermedades asociadas y su respuesta a los tratamientos.
La edad biológica intenta describir esas diferencias. No es una cifra única que pueda medirse de forma universal mediante una sola prueba, sino un concepto que engloba distintos indicadores del envejecimiento y del funcionamiento del organismo.
La investigación explora si algunos rasgos del rostro pueden aportar información adicional sobre ese proceso. Para ello, los científicos utilizaron millones de imágenes para entrenar el modelo y conjuntos de fotografías de pacientes con datos clínicos conocidos para adaptarlo a las tareas de estimación de edad y supervivencia.
Más de 40 millones de imágenes para entrenar el modelo
El volumen de datos es uno de los aspectos destacados de la investigación. El modelo de base se entrenó con más de 40 millones de imágenes faciales. Posteriormente, la herramienta destinada a estimar la edad se ajustó con 743 152 retratos de personas cuya edad real era conocida, según los datos recogidos por EL PAÍS a partir del estudio.
En una prueba con fotografías que no había utilizado durante el entrenamiento, FAHR-FaceAge calculó la edad con un error medio de 5,1 años.
Cuando los investigadores aplicaron el sistema a 4 892 pacientes tratados con radioterapia, la diferencia media entre la edad estimada y la cronológica aumentó hasta acercarse a los siete años. Los autores interpretan parte de esa discrepancia como una posible señal de envejecimiento biológico acelerado, aunque esa interpretación requiere comprobaciones adicionales.
La herramienta de supervivencia siguió otro proceso. FAHR-FaceSurvival se entrenó con 34 363 fotografías de pacientes con cáncer y sus datos de supervivencia. El objetivo era detectar patrones faciales asociados con la evolución clínica, más allá de limitarse a estimar cuántos años aparenta una persona.
En una evaluación más amplia, los investigadores estudiaron la asociación entre la diferencia de edad facial y cronológica y la supervivencia de 38 183 pacientes oncológicos tratados con radioterapia. Los resultados mostraron una relación entre aparentar más edad y un pronóstico menos favorable.
Un 21 % más de riesgo de muerte: qué significa realmente
El dato del 21 % ha despertado especial interés, pero debe interpretarse correctamente.
En el análisis, los pacientes cuya edad facial estimada superaba en al menos cinco años su edad cronológica presentaban un riesgo de muerte un 21 % mayor que el grupo de comparación. Se trata de una diferencia relativa de riesgo, no de una probabilidad individual de fallecer.
Por ejemplo, el resultado no significa que una persona con cáncer tenga un 21 % de probabilidad de morir por aparentar más edad. Tampoco permite calcular, a partir de una fotografía, cuánto tiempo le queda a un paciente concreto.
El riesgo individual depende de numerosos factores: el tipo de tumor, su estadio, las características biológicas de la enfermedad, la respuesta al tratamiento, las enfermedades coexistentes y el estado general del paciente, entre otros.
La segunda herramienta ofreció otro resultado relevante. Al dividir a los pacientes en cuatro grupos según la estimación de riesgo del algoritmo, el cuartil clasificado como de mayor riesgo registró más del triple de mortalidad que el cuartil de menor riesgo, después de ajustar el análisis por variables clínicas como la edad, el sexo, el tipo de cáncer, la intención terapéutica y la técnica de radioterapia.
El resultado indica que el sistema identifica diferencias estadísticas entre grupos. No demuestra, por sí solo, que la fotografía facial mejore las decisiones médicas o que pueda predecir con precisión el desenlace de cada paciente.
Las zonas del rostro que analiza la IA
Los investigadores también estudiaron qué regiones de la cara influían más en las estimaciones de los algoritmos.
En el caso de FAHR-FaceAge, el sistema prestó especial atención a zonas como los pliegues nasolabiales, la frente y las sienes. Para FAHR-FaceSurvival, tuvieron mayor peso regiones como el área situada debajo de los ojos y el puente de la nariz.
El equipo comprobó asimismo que la estimación de edad variaba poco ante cambios en el maquillaje, la iluminación, la expresión facial o el ángulo de la fotografía, según los resultados descritos en la publicación.
Estos hallazgos sugieren que el modelo no se limita a reconocer una arruga concreta o un rasgo aislado. Analiza patrones visuales complejos que, combinados, pueden estar relacionados con la edad y el estado general de salud.
Sin embargo, los investigadores todavía no han establecido con precisión qué procesos biológicos explican esas asociaciones. El sistema puede identificar un patrón predictivo sin que se conozca completamente su origen.
Una apariencia facial envejecida puede estar relacionada con múltiples circunstancias, desde hábitos y factores ambientales hasta enfermedades o cambios fisiológicos. Por eso, no sería correcto interpretar un rasgo facial como una señal inequívoca de mala salud.
¿Podría ayudar a los oncólogos a elegir tratamientos?
Una de las posibles aplicaciones del sistema sería complementar la evaluación clínica de pacientes mayores o especialmente frágiles antes de recomendar tratamientos intensivos.
En oncología, la edad cronológica no siempre refleja la capacidad de una persona para tolerar una intervención, la radioterapia u otros tratamientos exigentes. Dos pacientes con el mismo diagnóstico pueden presentar estados funcionales muy distintos.
El oncólogo radioterápico Raymond Mak, de Mass General Brigham y uno de los investigadores del proyecto, ha planteado que estas herramientas podrían contribuir a que la evaluación del estado de salud sea más cuantitativa y consistente. Su finalidad sería apoyar las decisiones personalizadas, no sustituir el criterio médico.
Una fotografía es fácil de obtener y su análisis automatizado podría resultar relativamente sencillo de incorporar a determinados procesos clínicos. Si futuros estudios confirman su utilidad, podría aportar información complementaria en situaciones donde la valoración del estado general resulte especialmente difícil.
Pero antes de utilizar el modelo para decidir si un paciente debe recibir un tratamiento, los investigadores tendrán que demostrar que mejora las herramientas pronósticas ya existentes. No basta con detectar una asociación con la supervivencia: es necesario acreditar que la información adicional cambia las decisiones de manera útil y segura.
Los expertos piden prudencia: asociación no significa causalidad
La investigación presenta resultados prometedores, pero los propios especialistas consultados por EL PAÍS advierten de que todavía hay preguntas sin resolver.
Leonor Cerdá Alberich, del Grupo de Investigación Biomédica en Imagen del Instituto de Investigación Sanitaria La Fe, señala que predecir la supervivencia no basta para validar una medida de envejecimiento biológico. Es necesario contrastar la estimación facial con otros indicadores conocidos y comprobar qué información aporta por encima de las variables clínicas habituales.
Entre las pruebas que podrían ayudar a aclarar la relación figuran los llamados relojes epigenéticos, determinados marcadores inflamatorios, la función inmunitaria, la fuerza muscular y la capacidad cardiorrespiratoria.
Estos indicadores permiten estudiar diferentes dimensiones del envejecimiento fisiológico. Compararlos con las estimaciones faciales ayudaría a determinar si la IA identifica una señal biológica específica o si recoge indirectamente el efecto de enfermedades, hábitos y otras circunstancias.
El investigador Manel Esteller, del Instituto de Investigación Sant Pau, también considera necesarios más estudios confirmatorios antes de dar por consolidadas las conclusiones clínicas.
La medicina ya utiliza la observación del aspecto físico como parte de la valoración inicial de los pacientes. La diferencia es que la inteligencia artificial transforma esa observación en una estimación numérica y reproducible. Pero la automatización no garantiza por sí sola que la medición sea válida ni que resulte útil para tomar decisiones.
Los límites del estudio: sesgos y falta de validación clínica
El trabajo tiene varias limitaciones que deben tenerse en cuenta antes de trasladar sus resultados a la práctica médica.
En primer lugar, falta demostrar cuánto mejora el pronóstico clínico. El estudio identifica asociaciones entre las imágenes y la supervivencia, pero no establece de forma definitiva que añadir la fotografía a los modelos clínicos habituales produzca mejores decisiones o mejores resultados para los pacientes.
Los profesionales sanitarios ya utilizan información sobre el estadio del tumor, sus características histológicas y genéticas, el estado funcional, las comorbilidades, las analíticas y la respuesta a tratamientos previos. La IA tendrá que demostrar qué aporta además de esos datos.
En segundo lugar, existe el riesgo de sesgos demográficos. Los autores reconocen que las cohortes proceden principalmente de países de renta alta y que algunos grupos raciales están infrarrepresentados. Antes de generalizar sus resultados, será necesario evaluar su rendimiento en poblaciones diversas.
En tercer lugar, aún falta explicar la base biológica de las señales faciales. Que un algoritmo encuentre patrones asociados con la mortalidad no significa que haya identificado directamente un mecanismo causal de envejecimiento o enfermedad.
Los investigadores reclaman estudios prospectivos que evalúen las herramientas junto con los modelos pronósticos estándar. Estos trabajos permitirían comprobar su rendimiento en pacientes nuevos, medir su valor añadido y estudiar si su uso mejora realmente la atención clínica.
Privacidad y uso responsable de las fotografías médicas
El desarrollo de herramientas de este tipo también plantea cuestiones sobre la protección de datos. Una fotografía facial es un dato personal identificable y, cuando se vincula a información médica, puede revelar información especialmente sensible.
Antes de incorporar estos sistemas a hospitales o consultas, será necesario definir quién puede acceder a las imágenes, cuánto tiempo se conservan, para qué se utilizan y qué controles existen sobre su reutilización.
También habrá que evitar que una puntuación automatizada se interprete como una sentencia sobre el futuro de una persona. Una estimación de riesgo no debe convertirse en un motivo para limitar tratamientos de manera automática ni para sustituir una evaluación clínica individualizada.
La transparencia sobre el funcionamiento del modelo, sus márgenes de error y las poblaciones en las que ha sido validado será esencial para que los profesionales puedan valorar sus resultados de manera adecuada.
Una nueva vía de investigación, no una prueba para predecir la muerte
La inteligencia artificial está ampliando las posibilidades de analizar imágenes médicas y datos que antes resultaban difíciles de cuantificar. FAHR-Face se suma a esa línea de investigación al explorar si una fotografía cotidiana puede contener información útil sobre el envejecimiento y el pronóstico de los pacientes con cáncer.
Los resultados son relevantes por el tamaño de los conjuntos de imágenes y por la asociación observada entre la edad facial y la supervivencia. Aun así, la herramienta no está demostrada como sustituto de las pruebas clínicas ni permite determinar la esperanza de vida de una persona a partir de su rostro.
El siguiente paso será comprobar si la información facial mejora de forma medible las predicciones que ya utilizan los oncólogos, si funciona en poblaciones diversas y si puede contribuir a decisiones más seguras y personalizadas.
La pregunta ya no es únicamente si una máquina puede encontrar señales de salud en una cara. La cuestión decisiva es si esas señales añaden información fiable y útil para tratar mejor a los pacientes.
Por ahora, el estudio abre una vía prometedora de investigación, pero no convierte el rostro en un diagnóstico ni en un reloj de la supervivencia.
OnlyBeauty
OnlyBeauty
OnlyBeauty