El smartphone en lugar de la radiografía: cómo una foto del cuerpo predice la salud exprés
La báscula marca los kilos, pero no dice dónde se han depositado: si en los músculos o en la grasa del abdomen. Y es precisamente la grasa escondida en lo profundo, alrededor de los órganos, la que más se asocia con enfermedades cardíacas y diabetes. Antes solo podía verse con un escáner caro en la clínica. Ahora basta con un smartphone.
Los científicos entrenaron el programa con decenas de miles de fotografías de personas cuya composición corporal se había medido con precisión. Luego lo probaron con nuevos voluntarios: el programa determinaba el porcentaje de grasa con un error de solo alrededor del dos por ciento. En comparación, el índice de masa corporal habitual (peso dividido por la altura al cuadrado) suele equivocarse porque no distingue entre músculo y grasa.
Cuando a los datos de edad, sexo e índice de masa corporal se añadieron los indicadores de las fotografías, la precisión para predecir la resistencia a la insulina (el primer paso hacia la diabetes) aumentó notablemente. Y casi tanto como si se hubiera utilizado un escáner caro. Esto significa que una simple instantánea puede convertirse en la primera señal de alerta para el médico.
Este enfoque no sustituirá al médico, pero hará que la evaluación de la composición corporal esté al alcance de millones. En lugar de hacer cola para una exploración compleja, una fotografía que ayuda a detectar el riesgo a tiempo.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.27017
Body Mass Index (BMI) is a widely accessible but imprecise proxy of cardiometabolic health. While assessing true body composition is superior, gold-standard methods like Dual-Energy X-ray Absorptiometry (DXA) are not scalable. We address this gap by developing and validating "PhotoScan," a method to estimate body composition from smartphone imagery. We pretrained a deep learning model on UK Biobank participants (N=35,323) and fine-tuned on a newly recruited clinical cohort (PhotoBIA cohort, N=677) with diverse ethnicity, age, and body fat distribution, achieving high accuracy against DXA for total body fat percentage (BF%, MAE = 2.15%), Android-to-Gynoid fat ratio (A/G, MAE = 0.11), and visceral-to-subcutaneous fat area ratio (V/S, MAE = 0.09). Generalizability of the model was demonstrated on an independent metabolic health study cohort (MetabolicMosaic cohort, N=132 participants), achieving MAEs of 2.13% for BF%, 0.09 for A/G, and 0.09 for V/S. We then evaluated the clinical utility of these metrics in the MetabolicMosaic cohort by predicting insulin resistance (IR). Adding PhotoScan-derived body composition metrics to baseline demographics model (Age, Sex, BMI) significantly improved insulin resistance classification (Area Under the Receiver Operating Characteristic Curve "AUROC" 76.0% vs 69.2%, DeLong test p=0.002, Net Reclassification Index "NRI" 0.593). Crucially, this accessible smartphone method achieved performance nearly equivalent to adding clinical-grade DXA data to baseline demographics model (AUROC 77.3% vs 69.2%, DeLong test p=0.004, NRI 0.748). These findings demonstrate that smartphone-based phenotyping captures clinically meaningful risk signals missed by BMI and anthropometrics, offering a scalable alternative to DXA for cardiometabolic risk stratification.
El índice de masa corporal se inventó hace casi 200 años para fines estadísticos, no para evaluar la salud de una persona en particular. No tiene en cuenta cuánto músculo y cuánta grasa tienes.