No todos envejecemos al mismo ritmo. Mientras algunas llegamos a edades avanzadas con una buena reserva funcional, otras comenzamos a manifestar un deterioro biológico mucho antes de lo esperado. Esa diferencia ha llevado a la ciencia a distinguir dos conceptos fundamentales: la edad cronológica, que corresponde a los años cumplidos, y la biológica, que refleja el estado real del organismo. Esta última está determinada por una serie de cambios moleculares y celulares que se acumulan con el tiempo y aumentan la susceptibilidad a enfermedades como el cáncer, diabetes, patologías cardiovasculares y trastornos neurodegenerativos [1].

La investigación sobre el envejecimiento ha demostrado que este proceso responde a múltiples mecanismos que interactúan entre sí. La inestabilidad genómica, el acortamiento de los telómeros, las alteraciones epigenéticas, la disfunción mitocondrial, la senescencia celular y la inflamación crónica son algunos de los principales responsables del deterioro progresivo de los tejidos y órganos [2,3]. Comprender cómo se manifiestan estos cambios ha impulsado la búsqueda de biomarcadores capaces de estimar con mayor precisión el verdadero estado biológico de una persona.

Una fotografía como punto de partida

En ese contexto surge una nueva línea de investigación que explora si el rostro puede contener señales del envejecimiento biológico. Utilizando inteligencia artificial entrenada con más de 40 millones de fotografías faciales, un grupo de investigadores desarrolló el modelo FAHR-Face, capaz de estimar la denominada "edad facial" y evaluar si esa información aporta valor pronóstico en pacientes con cáncer [4].

El algoritmo de edad biológica (FAHR-FaceAge) demostró un error absoluto medio de solo 5,1 años en la población general. Sin embargo, al aplicarlo en cohortes oncológicas —como un grupo principal de 38.183 pacientes del Mass General Brigham en Harvard y una cohorte de validación de 4.892 sujetos en Holanda—, los resultados mostraron que, en promedio, quienes padecen cáncer aparentarían cerca de 7 años más que su edad cronológica real [4].

Además, quienes presentaban una mayor diferencia entre ambas edades tendían a registrar una menor sobrevida a corto y largo plazo, incluso después de ajustar el análisis por edad, sexo, etnia, diagnóstico oncológico e intencionalidad del tratamiento [4]. Por su parte, el modelo FAHR-FaceSurvival permitió diferenciar con claridad según el nivel de riesgo: el cuartil de mayor peligro presentó más del triple de mortalidad en comparación con el cuartil de menor [4].

El valor de este enfoque aumenta aún más cuando se analiza la evolución en el tiempo. Un estudio complementario publicado en Nature Communications evalúa la tasa de envejecimiento facial (FAR, por sus siglas en inglés) mediante fotografías clínicas seriadas tomadas en una cohorte de 2.276 pacientes en radioterapia [5]. El análisis demuestra que aquellos con un envejecimiento facial acelerado presentan un riesgo significativamente mayor de mortalidad tanto a corto, mediano y largo plazo [5]. De hecho, mientras más extendido es el periodo de seguimiento, la velocidad dinámica de envejecimiento supera a la medición puntual inicial como predictor pronóstico [5].

Sin embargo, los autores son enfáticos en señalar que estos algoritmos no identifican una "cara de la enfermedad" ni predicen el futuro de una persona de forma inexorable [4,5]. De hecho, los mapas de atención tridimensionales mostraron que los modelos estudian zonas distintas: mientras la edad biológica se analiza en los pliegues nasolabiales, frente y mejillas, el modelo de supervivencia observa el área periocular inferior y la nariz [4]. Son patrones geométricos y vasculares sutiles que podrían reflejar procesos biológicos asociados al envejecimiento y que, en conjunto con otros antecedentes clínicos, podrían enriquecer la evaluación médica [4,5].

Una herramienta para complementar, no para etiquetar

Los investigadores plantean que este tipo de tecnologías podría transformarse en un apoyo para la medicina de precisión, especialmente al momento de estimar la fragilidad biológica o la reserva funcional de una persona antes de decidir un tratamiento exigente, como esquemas intensivos de quimioterapia, radioterapia o cirugía [4,5]. En el caso de pacientes paliativos o con enfermedad metastásica, captar variaciones dinámicas en la salud podría orientar decisiones más personalizadas enfocadas en la calidad de vida [5]. No obstante, advierten que aún queda camino por recorrer antes de pensar en una aplicación clínica rutinaria [4,5].

El modelo requiere ser validado en poblaciones más diversas y con condiciones de iluminación más estandarizadas, ya que todavía no es posible determinar qué mecanismos biológicos específicos está identificando la inteligencia artificial [4,5]. 

Tampoco debe interpretarse como una herramienta diagnóstica ni utilizarse de manera aislada para estimar el pronóstico de una persona. Su verdadero aporte radica en abrir una nueva ventana para estudiar el envejecimiento desde una perspectiva integradora, entendiendo que una fotografía nunca reemplazará la evaluación clínica, sino que, en el mejor de los casos, podría convertirse en un biomarcador adicional al servicio de una atención más personalizada y libre de estigmas [2, 3, 4, 5].

Referencias
[1] Linde, P. (2026). Una IA encuentra en la cara signos para calcular el riesgo de muerte en pacientes de cáncer. El País. https://elpais.com/salud-y-bienestar/2026-10-19/una-ia-encuentra-en-la-cara-signos-para-calcular-el-riesgo-de-muerte-en-pacientes-de-cancer.html
[2] Tartiere, A. G., Freije, J. M. P., & López-Otín, C. (2024). The hallmarks of aging as a conceptual framework for health and longevity research. Frontiers in Aging, 5, 1334261.
[3] López-Otín, C., Blasco, M. A., Partridge, L., Serrano, M., & Kroemer, G. (2013). The hallmarks of aging. Cell, 153(6), 1194–1217.
[4] Haugg, F., Lee, G., He, J., Nürnberg, L., Bontempi, D., Bitterman, D. S., Catalano, P., Prudente, V., Glubokov, D., Warrington, A., Pai, S., De Ruysscher, D., Guthier, C., Kann, B. H., Gladyshev, V. N., Aerts, H. J. W. L., & Mak, R. H. (2026). Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study. The Lancet Digital Health, 8(1), e101056.
[5] Haugg, F., Lee, G., He, J., Warrington, A., Bontempi, D., Bitterman, D. S., Catalano, P. J., Prudente, V., Pai, S., Guthier, C., Kann, B. H., Aerts, H. J. W. L., & Mak, R. H. (2026). Face aging rate quantifies change in biological age to predict cancer outcomes. Nature Communications, 17, 3487. 

Por María Ignacia Meyerholz