En pocas palabras
Un programa analizó fotos de rostros de personas con cáncer y encontró que algunas de sus calificaciones se relacionaban con cuánto tiempo vivían los pacientes. Eso no significa que pueda predecir qué le ocurrirá a una persona ni decidir su tratamiento. Antes de usarlo en hospitales, hacen falta más pruebas y datos de personas diversas.
De la impresión médica al análisis por computadora
Al evaluar a un paciente, los médicos a veces tienen en cuenta su aspecto general, su energía y su fragilidad, además de los resultados de pruebas y su historia clínica. Esa impresión puede influir al considerar opciones como la cirugía, la quimioterapia o la radioterapia, y al calcular cuánta atención podría necesitar. Sin embargo, la evaluación puede variar de un médico a otro, pues depende de la experiencia y de la observación personal.
Un equipo dirigido por Ray Mak, especialista en oncología radioterápica del Instituto del Cáncer Mass General Brigham, se propuso probar si un análisis automatizado podía aportar información adicional de forma más sistemática. La idea no es reemplazar al médico, sino averiguar si una computadora puede detectar en el rostro patrones difíciles de apreciar a simple vista y ofrecer un indicador que se sume a los demás datos clínicos.
El modelo se entrenó primero con unos 40 millones de fotos de rostros, sin asignarle una tarea específica. Después de aprender patrones generales, se adaptó para realizar dos tareas: estimar la edad biológica que aparenta una persona y analizar fotos de pacientes con cáncer para calcular sus probabilidades de supervivencia. En este caso, la edad biológica no es la que figura en los documentos, sino una estimación basada en el aspecto del rostro, que puede no coincidir con la edad real.
¿Qué revelaron las pruebas con pacientes?
En un grupo de prueba de 3820 pacientes con cáncer, los investigadores organizaron los resultados en distintos niveles de riesgo. De las 122 personas que obtuvieron las puntuaciones más altas, 64 murieron durante los 90 días posteriores a la toma de las fotos. El resultado indica que el modelo identificó a un grupo cuya puntuación elevada se relacionó con una tasa de mortalidad considerable en poco tiempo. No significa que todas las personas con una puntuación alta vayan a morir ni que esa puntuación explique por sí sola lo ocurrido.
En otra prueba, independiente y más amplia, con más de 38 000 pacientes, se observó una relación adicional: en general, quienes tenían un rostro que el modelo calculaba como mayor que su edad real presentaban más probabilidades de morir. Esto describe una tendencia en los datos, no una regla que se cumpla en todos los casos. Los promedios y las relaciones observadas en grupos numerosos no permiten predecir con certeza lo que ocurrirá a una persona en particular.
Los investigadores señalaron que combinar la estimación de la edad aparente del rostro con la puntuación de supervivencia mejoró el desempeño del modelo clínico en comparación con el uso de cualquiera de esos indicadores por separado. Esto sugiere que cada dato podría aportar información diferente y que ambos quizá sean más útiles al considerarlos junto con el resto de la información médica. Aun así, los datos presentados no demuestran que la herramienta esté lista para orientar el tratamiento habitual.
¿En qué partes del rostro se fijó el algoritmo?
El equipo no se limitó a revisar los resultados: también utilizó un método para identificar las zonas del rostro en las que se enfocaba el modelo al hacer sus estimaciones. Para calcular la edad, destacaron los pliegues entre la nariz y la boca, además de algunas áreas de la frente. Al estimar el riesgo de muerte, el modelo prestó más atención al puente de la nariz y a la zona debajo de los ojos.
Sin embargo, saber dónde se fija un algoritmo no explica por qué esas zonas se relacionan con un resultado. Las fotos podrían contener señales visibles vinculadas con la salud general, reflejar otros factores que se combinan entre sí o mostrar patrones aprendidos durante el entrenamiento cuyo significado biológico no está claro. Por eso, no se puede concluir que las arrugas de una zona concreta o la forma de la nariz causen un mayor riesgo, ni que esas características sean indicadores médicos por sí solas.
Una posibilidad planteada por los investigadores es que el aspecto refleje ciertos hábitos o condiciones de salud conocidos. Mak señaló que, en algunas personas, el tabaquismo y el consumo excesivo de alcohol se han relacionado con una edad aparente del rostro mayor. Pero esas observaciones no demuestran que el modelo pueda detectar directamente si alguien fuma o bebe alcohol, ni descartan que otros factores influyan tanto en la imagen como en la salud.
¿Influyen la sonrisa o la iluminación?
El equipo analizó fotos con distintas expresiones faciales, con o sin maquillaje y tomadas bajo diferentes condiciones de iluminación. Según los análisis presentados, esas variaciones no modificaron los resultados de manera importante. El modelo también pudo trabajar con algunas fotos de personas que se habían sometido a cirugías estéticas al estimar la edad. La rinoplastia fue una excepción: en las imágenes tomadas después de la operación, el programa tendía a calcular una edad ligeramente mayor que en las fotos de la misma persona antes de la intervención.
Esto muestra que el desempeño del algoritmo no depende solo de que pueda analizar un rostro, sino también del tipo de imágenes que recibe y de los cambios que puedan sufrir los rasgos de una persona. Aunque en las pruebas un factor no parezca alterar los resultados, es necesario comprobarlo con grupos diversos y en condiciones de fotografía reales antes de generalizar las conclusiones.
Límites importantes antes de darle un uso médico
El equipo considera que el modelo aún no está listo para su uso clínico. Una de las principales limitaciones es que los datos de pacientes con cáncer utilizados para desarrollar la herramienta de predicción de supervivencia procedían de la zona de Boston y correspondían, en su mayoría, a personas blancas. Esto plantea una pregunta fundamental: ¿qué tan precisos serían los resultados en personas de distintos orígenes y contextos? Una sola población no representa adecuadamente la diversidad de rostros.
Los investigadores trabajan para ampliar los datos de entrenamiento e incluir rostros más diversos. No es un detalle técnico menor: si algunos grupos están poco representados, el modelo podría funcionar de manera desigual. Si una puntuación se presenta como objetiva, aunque sea menos precisa para ciertas personas, puede dar una impresión engañosa o llevar a decisiones injustas. Por eso, hace falta una evaluación independiente y amplia que compare el desempeño entre grupos y deje claro cuál es el margen de error.
También existe el riesgo de interpretar el resultado como un veredicto. Una puntuación alta podría angustiar al paciente o llevar a reducir su tratamiento o atención si se entiende mal. En cambio, una puntuación baja podría dar una falsa sensación de seguridad a alguien que necesita atención urgente. Matthew Liao, profesor de bioética en la Universidad de Nueva York, advirtió que una estimación equivocada podría privar a una persona de la atención que necesita si se confía demasiado en la herramienta.
Las preocupaciones no se limitan a los consultorios. En el futuro, las tecnologías que estiman la salud a partir del rostro podrían influir en las decisiones de las aseguradoras sobre la cobertura o en la selección de candidatos por parte de empleadores. No hay pruebas de que el modelo actual se use para esos fines, pero estas posibilidades muestran por qué es importante anticipar cuestiones de privacidad, consentimiento y equidad, así como quién controla las fotos y los resultados y cómo se puede impugnar una decisión. Que un indicador sea automatizado no lo vuelve neutral ni garantiza que su uso sea apropiado.
Conclusión
Este estudio abre una nueva línea de investigación: usar fotos del rostro para buscar indicadores que podrían relacionarse con la evolución de pacientes con cáncer. En los grupos analizados, las puntuaciones más altas se asociaron con un mayor riesgo de muerte, y combinar la estimación de la edad aparente con la puntuación de supervivencia pareció mejorar las predicciones frente al uso de cada indicador por separado. Sin embargo, el algoritmo todavía no explica con claridad qué señales detecta ni demuestra que determinados rasgos causen la enfermedad o permitan predecir el destino de cada paciente. Antes de que las fotos puedan ayudar en los hospitales, es necesario ampliar los datos, comprobar el desempeño en poblaciones diversas y estudiar las consecuencias prácticas y éticas de su uso. Por ahora, debe considerarse una señal prometedora para la investigación, no un diagnóstico ni un sustituto de una evaluación médica completa.