Un reloj multimodal de envejecimiento retiniano para la predicción de la edad biológica y la evaluación de la salud sistémica mediante OCT e imágenes de fondo de ojo

Por qué los ojos pueden revelar más de lo que aparentan

Los diminutos vasos sanguíneos y las fibras nerviosas en la parte posterior del ojo son una de las pocas zonas del cuerpo donde los médicos pueden ver tejido vivo de forma directa. Este estudio plantea una pregunta provocadora: ¿pueden los escáneres oculares de rutina revelar cuán “viejo” es realmente el cuerpo —su edad biológica— e incluso aportar pistas sobre la carga global de enfermedad y el riesgo de muerte con mayor precisión que las velas del último pastel de cumpleaños?

Mirando la edad biológica, no solo los cumpleaños

La edad cronológica es simplemente el tiempo que hemos vivido. La edad biológica refleja cuánto desgaste o conservación tienen nuestros órganos y tejidos. Dos personas de 65 años pueden presentar perspectivas de salud muy distintas, según la rapidez con que sus cuerpos se hayan envejecido. Los relojes biológicos tradicionales se basan en análisis de sangre que miden ADN o proteínas, lo que puede ser costoso e invasivo. Los autores exploraron una alternativa más simple: usar dos pruebas oculares comunes —fotografías de fondo de ojo ultrapanorámicas y tomografía de coherencia óptica (OCT)— combinadas con inteligencia artificial (IA) para estimar la edad biológica a partir de la retina, una ventana hacia la salud vascular, nerviosa y metabólica del cuerpo.

Enseñar a una IA a leer la edad en la retina

El equipo entrenó un modelo de aprendizaje profundo con más de 12.000 imágenes de fondo de ojo y 7.700 exploraciones OCT de 2.467 pacientes. En el primer experimento, el “reloj de edad” de la IA se entrenó solo con ojos sin enfermedad estructural mayor y luego se probó tanto en ojos sanos como enfermos. En el segundo experimento, el modelo se volvió a entrenar con una mezcla más amplia de ojos, que incluía cuatro afecciones comunes que deforman la retina: degeneración macular asociada a la edad, retinopatía diabética, membrana epirretiniana y miopía patológica o elevada. En esta segunda ronda, la IA también recibió la etiqueta de enfermedad de cada ojo. En ambos planteamientos, el objetivo del modelo fue predecir la edad a partir de las imágenes; los investigadores trataron luego esa edad prevista como una edad biológica y evaluaron cuánto reflejaba la enfermedad general.

Edad ocular frente a carga de enfermedad de todo el cuerpo

Para vincular la edad retiniana con la salud general, los autores utilizaron el índice de comorbilidad de Charlson (CCI), una puntuación ampliamente usada que resume las enfermedades crónicas graves de una persona y predice su riesgo de muerte a un año. Compararon cuánto se correlacionaban la edad cronológica frente a la edad biológica derivada por IA con el CCI, y también construyeron modelos estadísticos sencillos para ver cuál predecía mejor el CCI. En ambos experimentos, la edad biológica extraída de las imágenes retinianas captó generalmente la carga de comorbilidad con más fuerza que la edad cronológica, especialmente en ojos con enfermedad estructural. Cuando se añadieron las etiquetas de enfermedad en el segundo estudio, la precisión del modelo mejoró sustancialmente: el error medio en la predicción de edad en el conjunto de prueba cayó a alrededor de seis años, y la edad biológica siguió tendiendo a superar a la edad de calendario para reflejar la enfermedad global, en particular en pacientes con retinas visiblemente anormales.

Qué ve realmente la IA en el ojo

Para echar un vistazo al “proceso de pensamiento” de la IA, los investigadores generaron mapas de calor que muestran qué partes de cada imagen influyeron más en sus predicciones. En vez de fijarse en la mácula central, el modelo se centró de forma consistente en la cabeza del nervio óptico, la capa de fibras nerviosas circundante y capas vasculares más profundas como la coroides. Son estructuras que se conocen por adelgazar y endurecerse con la edad y por ser sensibles a cambios de presión y flujo sanguíneo. Los patrones de atención de la IA fueron similares a través de enfermedades oculares muy diferentes, lo que sugiere que aprendió indicadores de envejecimiento robustos basados en la anatomía en lugar de simplemente memorizar categorías de enfermedad. Curiosamente, cuando se incluyeron imágenes con enfermedad en el entrenamiento, el modelo comenzó a prestar algo más de atención a áreas maculares en condiciones como la degeneración macular, lo que indica que el entrenamiento específico por enfermedad le ayuda a reconocer mejor esos patrones.

Límites, advertencias y posibilidades futuras

El estudio tiene limitaciones. Todos los datos proceden de un único centro médico académico, y muchos pacientes presentaban puntuaciones bajas en el CCI, lo que atenúa la capacidad de detectar asociaciones estadísticas fuertes. El propio CCI es una herramienta antigua que puede no capturar por completo los patrones modernos de enfermedad crónica. Algunas correlaciones, especialmente en la degeneración macular, fueron débiles o inconsistentes. Sin embargo, a pesar de un tamaño muestral modesto frente a grandes biobancos poblacionales, el modelo alcanzó una precisión competitiva en la predicción de edad y, lo que es crucial, vinculó la edad biológica retiniana a una medida validada de carga de enfermedad corporal.

Qué significa esto para pacientes y clínicos

Para un público general, el mensaje clave es que las pruebas oculares de rutina podrían algún día hacer mucho más que comprobar la graduación de gafas o la presencia de enfermedad ocular. Al leer cambios sutiles en los nervios y vasos sanguíneos de la retina, la IA podría estimar cuán “viejo” está realmente el cuerpo y señalar a las personas cuyos tejidos envejecen más rápido de lo que sugieren sus años de calendario. Este reloj de envejecimiento retiniano aún no es una herramienta clínica inmediata, pero apunta hacia un futuro en el que un examen ocular rápido y no invasivo podría contribuir a la detección temprana de riesgos ocultos para la salud, ayudando a orientar la atención preventiva mucho antes de que la enfermedad grave sea evidente.

Cita: Ludwig, C.A., Salvi, A., Mesfin, Y. et al. A multimodal retinal aging clock for biological age prediction and systemic health assessment via OCT and fundus imaging. Sci Rep 16, 6465 (2026). https://doi.org/10.1038/s41598-026-36518-x

Palabras clave: imágenes retinianas, edad biológica, inteligencia artificial, salud sistémica, enfermedad ocular