Una IA halla señales de mortalidad en rostros de pacientes con cáncer

Una fotografía del rostro puede contener información sobre el estado general del organismo que resulta difícil de advertir a simple vista. Investigadores de Mass General Brigham han desarrollado un sistema de inteligencia artificial capaz de analizar imágenes faciales y encontrar patrones asociados con la edad biológica y con la supervivencia de pacientes con cáncer. El trabajo, publicado en The Lancet Digital Health, parte de un modelo entrenado con más de 40 millones de imágenes de rostros.

La precisión es importante porque el hallazgo puede sonar más espectacular de lo que realmente permite afirmar la investigación. La herramienta no detecta un cáncer mirando una cara, tampoco puede determinar cuánto tiempo vivirá una persona concreta. Los pacientes analizados ya tenían cáncer y el algoritmo identifica asociaciones estadísticas entre determinados rasgos faciales y su evolución. Entre quienes parecían al menos cinco años mayores que su edad cronológica, el riesgo de morir durante el seguimiento fue un 21 % superior; quienes aparentaban cinco años menos mostraron un riesgo un 17 % inferior.

El estudio apunta, en definitiva, hacia una posibilidad mucho más concreta: convertir parte de la información que refleja el rostro en un biomarcador digital capaz de complementar las evaluaciones médicas tradicionales. Algo parecido a poner números a esa impresión que un médico experimentado puede tener cuando observa que un paciente aparenta estar físicamente mejor —o peor— de lo que indica su fecha de nacimiento.

Una IA entrenada para leer algo más que la edad de una cara

El sistema general recibe el nombre de FAHR-Face, acrónimo de Foundation Artificial Intelligence for Health Recognition-Face. A partir de ese modelo, los investigadores desarrollaron dos herramientas con objetivos distintos. FAHR-FaceAge calcula una estimación de la edad facial o biológica, mientras que FAHR-FaceSurvival busca directamente patrones relacionados con la supervivencia de personas diagnosticadas de cáncer.

Para desarrollar esta segunda herramienta se utilizaron más de 34.000 fotografías de pacientes oncológicos vinculadas con información sobre su evolución. La máquina no busca una arruga determinada ni una señal aislada, sino combinaciones de rasgos, texturas y proporciones que, tomadas en conjunto, pueden contener información difícil de apreciar para el ojo humano.

La distinción entre edad cronológica y edad biológica no es nueva en medicina. Dos personas de 70 años pueden llegar a una consulta con estados físicos radicalmente distintos: una mantiene fuerza, movilidad y buena reserva fisiológica; la otra arrastra fragilidad, pérdida muscular y varias enfermedades al mismo tiempo. El algoritmo intenta cuantificar precisamente esa distancia entre los años del calendario y el estado real del organismo.

Las zonas del rostro en las que se fija el algoritmo

Los investigadores utilizaron mapas de atención para observar qué partes de la cara tenían mayor peso en las decisiones de los modelos. FAHR-FaceAge prestaba especial atención a los pliegues nasolabiales, las sienes y la frente situada sobre las órbitas. El sistema destinado directamente a supervivencia se concentraba más en la región bajo los ojos y alrededor del puente nasal.

Eso no significa que unas ojeras, una arruga profunda o la forma de la nariz sean señales de mortalidad. Sería una lectura demasiado simple. Los sistemas modernos de visión artificial procesan una enorme cantidad de pequeñas relaciones entre píxeles y características faciales, de modo que no existe una equivalencia sencilla entre un rasgo visible y un determinado pronóstico médico.

Ahí aparece también uno de los interrogantes del estudio. La inteligencia artificial encuentra una señal estadística y puede demostrar que esa señal se relaciona con determinados resultados clínicos, pero todavía queda por saber con precisión qué procesos biológicos está captando. Pérdida de tejido, inflamación, fragilidad, exposición ambiental, cambios metabólicos… probablemente haya varias capas superpuestas.

Los pacientes con mayor puntuación tuvieron una mortalidad muy superior

El resultado más llamativo aparece con FAHR-FaceSurvival. En las pruebas realizadas por el equipo, los pacientes situados dentro del 25 % clasificado con mayor riesgo registraron más de tres veces la mortalidad observada entre el 25 % considerado de menor riesgo. El llamado hazard ratio ajustado fue de 3,23, una medida estadística utilizada para comparar el ritmo al que se producen determinados eventos entre grupos.

Los investigadores comprobaron los resultados también en una cohorte externa de pacientes. Es un detalle importante: uno de los grandes problemas de la inteligencia artificial médica aparece cuando un modelo funciona estupendamente con los datos con los que se desarrolló y pierde precisión en cuanto sale de ese entorno. Validarlo con pacientes diferentes permite comprobar hasta cierto punto si ha aprendido una señal real o simplemente peculiaridades de la base de datos original.

Las dos herramientas, además, no parecían estar midiendo exactamente lo mismo. La estimación de edad facial y la puntuación directa de supervivencia mostraban una correlación relativamente débil y, al combinarlas, mejoraba la capacidad del modelo de pronóstico. Eso sugiere que el rostro podría contener distintos tipos de información relacionados con el estado físico del paciente.

El 21 % más de riesgo no significa un 21 % de probabilidad de morir

Este matiz es esencial. Cuando el estudio señala que quienes aparentaban cinco años más presentaban un 21 % más de riesgo de muerte, habla de una diferencia relativa observada entre grupos durante el periodo de seguimiento. No significa que una persona que parezca mayor tenga un 21 % de probabilidades de morir ni permite trasladar ese porcentaje directamente a un individuo.

El pronóstico de un paciente con cáncer depende de muchos otros elementos: el tipo y estadio del tumor, sus características biológicas, el tratamiento disponible, la edad, otras enfermedades, el estado funcional y la respuesta a la terapia. Una fotografía no sustituye una biopsia, una prueba de imagen, una analítica ni la evaluación completa de un oncólogo.

El posible interés clínico de esta tecnología sería precisamente actuar como una pieza adicional del puzle. Podría resultar especialmente interesante para valorar fragilidad o estimar hasta qué punto un paciente puede tolerar determinados tratamientos agresivos, pero esa utilidad deberá probarse antes en estudios prospectivos.

El tabaco también deja una señal que la IA reconoce

La investigación encontró otra relación llamativa. Las estimaciones de envejecimiento facial variaban según algunos hábitos conocidos por su impacto en la salud. El tabaquismo mostró una asociación especialmente clara: los fumadores actuales tendían a presentar una edad facial superior a la de los exfumadores y estos, a su vez, a la de quienes nunca habían fumado.

También aparecieron asociaciones con el consumo elevado de alcohol y determinadas drogas. No es difícil encontrar una explicación intuitiva. La piel, el tejido subcutáneo, la musculatura y la distribución de grasa cambian con los años y también pueden verse afectados por enfermedades, alimentación, exposición solar, sustancias tóxicas y otros factores ambientales.

En cierta forma, el rostro lleva mucho tiempo funcionando como un pequeño archivo visible de nuestra biología. Un médico puede observar palidez, pérdida de peso, fatiga o deterioro general. La diferencia es que una máquina puede procesar miles de variables diminutas de forma simultánea y convertir esa impresión visual en un valor numérico reproducible.

El modelo mostró también una estabilidad razonable frente a cambios habituales en una fotografía, como la iluminación, la postura, la expresión facial o el maquillaje. La mayoría de intervenciones estéticas examinadas produjeron pocas modificaciones en la estimación de edad, aunque algunos procedimientos, como la rinoplastia, sí podían alterar parcialmente el resultado.

Por qué todavía no sirve para decidir un tratamiento

El estudio abre una línea de investigación potente, pero está lejos de convertir una foto en una prueba clínica rutinaria. Buena parte del trabajo realizado es retrospectivo: los investigadores analizan imágenes de pacientes y las relacionan con desenlaces médicos que posteriormente quedaron registrados.

Aún no se ha demostrado que entregar esta puntuación a un oncólogo consiga mejorar las decisiones terapéuticas, reducir complicaciones, prolongar la supervivencia o aumentar la calidad de vida. Ese es el salto decisivo. Una herramienta puede predecir correctamente una variable y, aun así, no aportar nada realmente útil a la práctica médica.

También queda por conocer cuánto añade la inteligencia artificial respecto a la observación de un profesional experimentado. Un oncólogo ve signos físicos, conoce los antecedentes, habla con el paciente y dispone de pruebas diagnósticas. El algoritmo tendrá que demostrar que encuentra información clínica adicional y no que simplemente convierte en cifras señales que el médico ya estaba interpretando.

Otro asunto delicado son los sesgos de las bases de datos. Un modelo que analiza directamente rostros necesita funcionar de manera fiable en personas con diferentes edades, características faciales, tonos de piel, enfermedades y procedencias. Si determinados grupos están poco representados durante el entrenamiento, el rendimiento puede deteriorarse precisamente entre quienes menos datos aportaron al sistema.

Y está la privacidad. Una fotografía facial no es un dato sanitario cualquiera: también puede convertirse en un identificador biométrico. Cualquier utilización hospitalaria futura tendría que resolver cómo se obtienen esas imágenes, durante cuánto tiempo se almacenan, quién puede consultarlas y para qué otros usos podrían emplearse.

Una señal prometedora que aún debe demostrar su valor clínico

La posibilidad de utilizar una fotografía como biomarcador resulta atractiva porque obtenerla es sencillo, barato y prácticamente inmediato. Frente a una resonancia, una prueba genética o determinados análisis de laboratorio, una imagen facial puede repetirse con facilidad y casi sin infraestructura. Esa simplicidad tecnológica explica buena parte del interés que despierta el trabajo.

Pero entre encontrar una correlación estadística y disponer de una herramienta médica fiable hay bastante camino. FAHR-Face tendrá que demostrar que mantiene su rendimiento con pacientes nuevos, hospitales distintos y poblaciones diversas, y también que aporta información relevante frente a las escalas y evaluaciones clínicas que los profesionales ya utilizan.

La investigación, por tanto, no demuestra que una inteligencia artificial pueda mirar una cara y anticipar el destino de una persona. Lo que muestra es algo más sobrio y, quizá precisamente por eso, más interesante: el rostro contiene señales medibles sobre el estado general del organismo y un algoritmo entrenado con millones de imágenes puede captar parte de ellas. Convertir esa señal en medicina útil exigirá mucha más evidencia que una buena fotografía.