Hace unos días, The Lancet Digital Health publicó un estudio propio de una novela de ciencia ficción. Un equipo encabezado por Fridolin Haugg, del Departamento de Oncología Radioterápica del grupo Partners de Boston (Mass General Brigham and Women’s) y de la Facultad de Medicina de Harvard, entrenó un modelo de inteligencia artificial con más de 40 millones de fotografías faciales. Después lo adaptó a dos tareas. La primera, estimar la edad aparente de una persona. La segunda, identificar rasgos del rostro asociados al riesgo de morir en pacientes con cáncer. El titular se escribe solo, “una máquina mira tu cara y adivina cuánto vas a vivir”. Pero conviene resistir esa tentación porque el estudio es serio y merece atención. Lo que demuestra es más modesto, y a la vez más interesante, que lo que sugiere el titular.

27 de octubre de 2026.

Empecemos por lo que sí dice el estudio. Los pacientes que el modelo situó en el cuartil de mayor riesgo murieron a una tasa más de tres veces superior a la de los situados en el cuartil de menor riesgo. Ese resultado se mantuvo tras ajustar por otras variables. Y se confirmó en una cohorte independiente de casi 4900 pacientes en los Países Bajos. De esto se deduce que el rostro contiene información pronóstica.

Ahora, lo que no dice. Para empezar, no demuestra que el algoritmo mida el envejecimiento biológico. Parecer mayor de lo que uno es depende de la genética, del sol, del tabaco, de la nutrición, del nivel socioeconómico y de la propia enfermedad. El modelo probablemente capta una mezcla de todo ello.

Segundo, no demuestra que usar esa predicción mejore la atención a nadie. Un hazard ratio de 3,23 describe diferencias entre grupos. No nos dice con qué precisión podemos estimar el riesgo de una persona concreta. Tampoco muestra si el modelo supera a un oncólogo experimentado que explora al paciente, pregunta por su vida diaria y aplica escalas de fragilidad. Esa comparación todavía no existe.

Tercero, y esto es lo que más me preocupa como cirujano, el riesgo de morir no equivale a la ausencia de beneficio de un tratamiento. Imaginemos a un paciente con un cáncer tratable al que el algoritmo asigna un pronóstico sombrío. Si por eso recibe un tratamiento menos intensivo y fallece, el modelo parecerá haber acertado. En realidad, habrá fabricado su propia confirmación, es decir, una profecía autocumplida. Preocupante en medicina, ¿no?

Algoritmo limitado y cuestiones de privacidad en un trabajo con posibilidades

A esto se suman dos cuestiones que deberían interesar a cualquier universitario, estudie Medicina, Derecho o Ingeniería. La primera es la equidad. La mayoría de los pacientes evaluados procede de hospitales occidentales y recibió radioterapia. El modelo de edad facial mostró resultados menos consistentes en pacientes negros. ¿Por qué pasa eso? Un algoritmo que funciona bien en promedio puede fallar precisamente en quienes estuvieron menos representados al entrenarlo. La objetividad matemática no garantiza la justicia y se amplifica el efecto “Mateo” y la ley de cuidados inversos, quien más tiene y menos necesita tiene cada vez más, mientras que los que más lo necesitarían tienen cada vez menos.

La segunda es la privacidad, porque la cara es un identificador biométrico. Usarla como dato clínico obliga a preguntar quién la almacena, quién accede a ella y quién podría reutilizarla.

¿Significa todo esto que debemos descartar la investigación? En absoluto. Exigir que una tecnología pronóstica demuestre beneficio en supervivencia desde su primer estudio sería un estándar absurdo. La ciencia avanza por etapas. Primero se identifica una asociación. Después se construye un instrumento y se valida. Finalmente se evalúa su impacto real. El problema no es la tecnología. El problema es saltarse etapas.

Y el trabajo abre posibilidades atractivas. La impresión clínica de fragilidad varía mucho entre observadores. Una herramienta bien validada podría hacerla más reproducible. Además, una fotografía es barata y fácil de obtener. Si el modelo mantuviera su rendimiento en entornos con pocos recursos, podría ampliar el acceso a la valoración pronóstica. Son hipótesis legítimas, pero ninguna está demostrada todavía.

Este estudio nos deja una lección que va más allá de la oncología. Predecir y cuidar son tareas distintas. Decir que un paciente tiene un riesgo elevado de morir es una tarea técnica. Decidir qué podemos hacer para que viva más, mejor o evite un tratamiento inútil exige conocimiento, juicio clínico, deliberación ética y escucha. Mi interpretación es que necesitamos una medicina capaz de mejorar nuestro vida futura, no que se limite a adivinarla.

Julio Mayol es catedrático de Cirugía (Fisiopatología y Propedéutica Quirúrgica, y Patología Quirúrgica) de la Facultad de Medicina de la UCM y director científico del Instituto de Investigación Sanitaria San Carlos.

Con la colaboración de la Fundación Española para la Ciencia y la Tecnología - Ministerio de
Ciencia, Innovación y Universidades