Investigadores de Mass General Brigham han desarrollado herramientas de inteligencia artificial que analizan una fotografía facial en busca de señales asociadas con la edad biológica y los resultados de supervivencia del cáncer. El trabajo, publicado en Lancet Digital Health, apunta a una posible nueva forma de cuantificar la reserva física de un paciente antes de un tratamiento intensivo, aunque también plantea cuestiones importantes sobre validación, privacidad y uso clínico adecuado.
El sistema se llama FAHR-Face, abreviatura de Foundation Artificial Intelligence for Health Recognition. Se entrenó con más de 40 millones de imágenes faciales y luego sirvió de base para dos herramientas independientes. FAHR-FaceAge estima la edad biológica a partir de una fotografía facial, mientras que FAHR-FaceSurvival predice los resultados de supervivencia en pacientes con cáncer.
De la edad cronológica a la reserva física
La edad cronológica es fácil de registrar, pero no describe por completo hasta qué punto una persona puede tolerar una cirugía, la radiación o una terapia sistémica. Dos personas de la misma edad pueden tener niveles marcadamente diferentes de fragilidad, resiliencia y enfermedades subyacentes. Esas diferencias pueden ser importantes cuando médicos y pacientes sopesan un tratamiento agresivo frente a sus posibles cargas.
Según los investigadores, el objetivo no es utilizar una fotografía como diagnóstico independiente. En cambio, una evaluación cuantitativa derivada de una imagen rutinaria podría complementar con el tiempo la evaluación clínica establecida. El oncólogo radioterápico Raymond Mak, autor correspondiente del estudio, afirmó que la función prevista es apoyar decisiones personalizadas, no sustituir el criterio médico.
Esta distinción es fundamental. Un modelo que identifica patrones estadísticos relacionados con los resultados no establece por qué existen esos patrones en un paciente concreto ni determina qué tratamiento debe recibir esa persona. Como máximo, podría añadir una señal estandarizada a una evaluación más amplia que incluya antecedentes médicos, estado funcional, resultados de laboratorio, imágenes y una exploración clínica.
Lo que encontró el estudio
El estudio de desarrollo y validación descubrió que la diferencia entre la estimación de edad biológica del modelo y la edad cronológica del paciente se asociaba de forma independiente con la supervivencia. En términos prácticos, la investigación sugiere que parecer biológicamente mayor o menor que la edad del calendario, según la medición de este modelo, contiene información que puede ser relevante para el pronóstico.
El equipo también informó de que FAHR-FaceAge era más preciso que algoritmos anteriores de estimación de edad y de que ambas herramientas seguían siendo robustas ante variaciones habituales en las fotografías. Esto es importante para cualquier uso práctico futuro: las fotografías clínicas no siempre se capturan con la misma iluminación, pose o calidad de imagen.
FAHR-FaceSurvival lleva la idea un paso más allá al generar directamente una predicción de supervivencia del cáncer a partir de una imagen facial. El artículo describe visualizaciones de las zonas del rostro que más influyeron en las salidas de cada modelo. Estas explicaciones visuales pueden ser útiles para los investigadores que estudian el comportamiento del modelo, pero no deben confundirse con un mapa sencillo de la enfermedad. Los sistemas de IA pueden basarse en combinaciones sutiles de características difíciles de interpretar y que pueden reflejar factores correlacionados con la salud, en lugar de una causa biológica directa.
Valor potencial y salvaguardas necesarias
Una evaluación basada en una fotografía podría resultar atractiva porque no es invasiva y puede ampliarse con facilidad. Si se validara de forma independiente, podría ayudar a los médicos a identificar a pacientes que necesitan una evaluación más cuidadosa de la fragilidad o una conversación sobre los riesgos y beneficios de los cuidados intensivos. También podría hacer más coherentes determinadas evaluaciones en entornos con recursos especializados limitados.
Pero desplegar este tipo de tecnología exigiría un listón muy alto. Su rendimiento debe probarse en distintas poblaciones de pacientes y en flujos de trabajo clínicos reales, no solo en el entorno de desarrollo. Los médicos necesitarían información clara sobre cuándo es fiable el resultado, cómo debe combinarse con otras pruebas y cuándo debe descartarse.
Las imágenes faciales también son datos biométricos altamente sensibles. Cualquier implementación clínica necesitaría fuertes protecciones en torno al consentimiento, el almacenamiento, el acceso y el uso secundario. Los hospitales y los reguladores también tendrían que examinar si el rendimiento del modelo es equitativo entre grupos demográficos y si los errores podrían ampliar las disparidades en la atención oncológica.
Una línea de investigación para apoyar decisiones
FAHR-Face ilustra un cambio más amplio en la IA médica: los modelos fundacionales entrenados a gran escala se están adaptando a tareas clínicas más específicas. La promesa es que el preentrenamiento amplio pueda capturar representaciones visuales útiles que después respalden herramientas especializadas. El desafío consiste en garantizar que un resultado técnico impresionante se convierta en uno seguro, comprensible y clínicamente significativo.
Por ahora, los hallazgos deben considerarse evidencia de que las fotografías faciales pueden contener información relacionada con la salud y medible más allá de la edad aparente. Convertir esa información en atención rutinaria dependerá de una validación adicional y de una gobernanza cuidadosa. El objetivo declarado por los investigadores —apoyar, no sustituir, el criterio médico— establece un límite adecuado para una tecnología que podría influir en decisiones de tratamiento con consecuencias importantes.
Este artículo se basa en un reportaje de Medical Xpress. Leer el artículo original.
Originally published on medicalxpress.com
