Resumen:
Investigadores estadounidenses han desarrollado una nueva generación de modelo de reconocimiento de salud facial que puede estimar la edad biológica de un paciente en función de sus rasgos faciales y evaluar directamente el riesgo de muerte. Los resultados del estudio muestran que estas imágenes faciales contienen información relacionada con el pronóstico de los pacientes con cáncer, lo que en el futuro puede ayudar a los médicos a evaluar de manera más integral la condición física del paciente y proporcionar una referencia para la formulación de planes de tratamiento.
Este modelo básico de inteligencia artificial llamado FAHR-Face fue desarrollado por un equipo de investigación de Mass General Brigham, una institución médica integral en Massachusetts, EE. UU., y fue entrenado utilizando más de 40 millones de fotografías faciales de diferentes edades y grupos étnicos. En base a esto, los investigadores desarrollaron dos herramientas de análisis complementarias: FAHR-FaceAge y FAHR-FaceSurvival. El primero estima la edad biológica de una persona y utiliza esta información para ayudar a evaluar el pronóstico del cáncer; este último predice el riesgo de supervivencia de un paciente con cáncer directamente a partir de fotografías faciales, en lugar de estimar la edad y luego inferir indirectamente los resultados.
El equipo de investigación entrenó el modelo utilizando fotografías clínicas de pacientes con cáncer y sus resultados médicos posteriores. Entre ellos, FAHR-FaceSurvival utilizó 34.363 fotografías faciales de pacientes con cáncer para un entrenamiento específico y se verificó en un conjunto de datos de pacientes independiente. De esta manera, los investigadores esperan permitir que la inteligencia artificial identifique señales de imágenes faciales relacionadas con las condiciones físicas de los pacientes y los resultados de supervivencia.
Los resultados de la investigación muestran que FAHR-FaceSurvival tiene una fuerte capacidad de discriminación de riesgos. Según los resultados de predicción del modelo, aproximadamente la mitad de los pacientes en el rango de riesgo de muerte más alto del 10% murieron dentro de los 90 días; mientras que la proporción de pacientes en el rango de riesgo más bajo del 10% fue aproximadamente del 2%. Si se compara según los cuartiles, el riesgo de muerte en el grupo de mayor riesgo también fue significativamente mayor que el del grupo de menor riesgo, con un índice de riesgo ajustado de 3,23.
Los investigadores también descubrieron que la brecha entre la edad biológica estimada por la inteligencia artificial y la edad real también está relacionada con los resultados de supervivencia de los pacientes con cáncer. Entre los pacientes que recibieron radioterapia, aquellos cuyas caras parecían al menos cinco años mayores que su edad real tenían un riesgo de muerte un 21 por ciento mayor durante un seguimiento promedio de aproximadamente cuatro años. Aquellos cuyos rostros parecían al menos cinco años más jóvenes que su edad real tenían un riesgo de muerte un 17 por ciento menor.
Esto no significa que una persona que parece más joven sea necesariamente mejor luchando contra el cáncer. La edad biológica en el estudio es una métrica estimada por inteligencia artificial basada en la apariencia y no es una medida directa del envejecimiento celular, la función de los órganos o el estado del sistema inmunológico. Probablemente refleje una combinación de esfuerzo corporal, cambios en los músculos y tejidos blandos, y otros factores relacionados con la salud, pero aún no se comprende completamente qué señales fisiológicas específicas identifica el modelo.
Al analizar el área de atención del modelo, los investigadores descubrieron que las ubicaciones faciales en las que se enfocaban las dos herramientas eran diferentes. FAHR-FaceAge analiza principalmente los pliegues nasolabiales desde la nariz hasta las comisuras de la boca, la frente y las sienes; FAHR-FaceSurvival se centra más en debajo de los ojos y alrededor del puente de la nariz. Esto sugiere que predecir la edad biológica y predecir el riesgo de supervivencia puede depender de información facial diferente.
El equipo de investigación cree que esta tecnología puede ayudar en el futuro a los médicos a evaluar mejor la reserva física y la fragilidad del paciente antes de decidir si utilizar cirugía, radioterapia o tratamiento farmacológico sistémico. Para los pacientes mayores, con afecciones médicas complejas o que carecen de datos completos de biomarcadores tradicionales, se espera que el análisis fotográfico facial se convierta en un método de evaluación auxiliar fácil de operar y de bajo costo.
El estudio también encontró que existe un vínculo entre el estilo de vida y la edad biológica del rostro, siendo el tabaquismo el vínculo más destacado y el hecho de que los rostros parezcan más viejos. El consumo excesivo de alcohol y de drogas también se asocia con fenómenos similares. Los investigadores también dijeron que FAHR-FaceAge mostró cierta estabilidad bajo diferentes ángulos de disparo, iluminación, expresiones y condiciones de maquillaje, y mantuvo resultados de estimación relativamente estables después de la mayoría de las cirugías plásticas probadas, pero la cirugía de rinoplastia provocaría cambios más pequeños.
Aun así, los investigadores y expertos externos enfatizan que la tecnología aún no puede reemplazar directamente el criterio de un médico. La precisión de las predicciones de un modelo no significa automáticamente que mejore los resultados reales del tratamiento. Las investigaciones futuras aún deben confirmar si agregar los resultados del análisis facial al historial médico, los datos de los exámenes y la evaluación física ya conocidos por los médicos puede mejorar aún más la precisión de la predicción y ayudar realmente a los pacientes a lograr mejores resultados del tratamiento.
Además, los grupos de pacientes utilizados para la capacitación del modelo provienen principalmente de países de altos ingresos. Cómo garantizar que sea adecuado para diferentes grupos étnicos, grupos de edad y entornos médicos sigue siendo una cuestión importante. Dado que los rasgos faciales pueden estar relacionados con antecedentes étnicos y condiciones médicas preexistentes, la IA también puede heredar sesgos en los datos de entrenamiento. Por lo tanto, se necesita una validación independiente más extensa y estudios clínicos prospectivos antes de su aplicación a gran escala.
Los resultados de investigaciones relevantes se han publicado en "The Lancet Digital Health". El equipo de investigación espera que en el futuro se puedan extraer indicadores de salud más cuantificables a partir de una fotografía normal, de modo que el análisis facial pueda convertirse en una herramienta complementaria para la evaluación de riesgos clínicos, en lugar de determinar las oportunidades de tratamiento de un paciente basándose únicamente en la apariencia.
Comentarios