Los relojes de envejecimiento se han convertido en una herramienta rutinaria: a partir de la metilación del ADN, el transcriptoma o imágenes cerebrales se calcula la edad biológica, que se compara con la cronológica. Una desviación al alza se interpreta como envejecimiento acelerado y se asocia con enfermedades, mientras que a la baja se considera resistencia. Sin embargo, los modelos estándar de aprendizaje automático (bosque aleatorio, boosting de gradiente, redes neuronales) contraen sistemáticamente las predicciones hacia la media: en los mayores la edad se subestima, en los jóvenes se sobreestima. Este sesgo lo heredan los relojes de envejecimiento, porque la verdadera edad biológica no es observable y los modelos se entrenan con la edad cronológica como sustituto. Como resultado, las asociaciones entre envejecimiento acelerado y salud pueden estar distorsionadas hasta el punto de cambiar de signo, lo que pone en duda las conclusiones de muchos estudios. El trabajo está en un terreno aparte: cerca, en el archivo, hay trabajos sobre el envejecimiento celular, de baterías y del cerebro, pero nadie había abordado el problema del sesgo de las predicciones específicamente para los relojes de envejecimiento.
Los autores primero formalizan el sesgo sistemático de las predicciones en una regresión general de aprendizaje automático: si la regresión del resultado predicho sobre el verdadero da una pendiente menor que uno, el sesgo es lineal y proporcional a 1 − η. Luego lo trasladan a los relojes de envejecimiento, donde la verdadera edad biológica está oculta y se usa la edad cronológica como sustituto, y demuestran un teorema sobre la consistencia de la estimación del sesgo a partir del sustituto. Para eliminar el sesgo se propone el método de regresión insesgada (UMLR): a la función objetivo se le añaden dos restricciones sobre las predicciones medias en dos subgrupos disjuntos, divididos por el resultado (por ejemplo, por la mediana de la edad). Estas restricciones actúan como dos puntos de apoyo que fijan la línea de predicciones sobre la diagonal «predicho = verdadero», garantizando una pendiente de 1. El método se prueba en simulaciones y en dos conjuntos de datos reales: la edad cerebral a partir de la anisotropía fraccional de la sustancia blanca del UK Biobank (entrenamiento) y del Human Connectome Project in Aging (prueba), así como los relojes epigenéticos a partir de sitios CpG del Framingham Heart Study, con entrenamiento en datos de Minnesota y prueba en datos de Johns Hopkins.
En las simulaciones, los modelos estándar (bosque aleatorio, XGBoost, redes neuronales, LASSO) muestran un sesgo sistemático: la pendiente de la regresión de lo predicho sobre el resultado verdadero es menor que uno, y el sesgo es máximo en los extremos del rango de edad. UMLR elimina el sesgo, dando una pendiente cercana a uno, aunque el error cuadrático medio puede ser mayor y el R² menor que en los modelos sesgados. En el caso de la edad cerebral, en la muestra de prueba del HCP los modelos sesgados dan una relación positiva entre la brecha de edad biológica y la puntuación cognitiva (t= −2.62, p=0.066), es decir, el envejecimiento acelerado se asocia con una mejor función cognitiva, lo que contradice lo esperado. UMLR cambia el signo: la relación pasa a ser negativa (t=4.38, p=1.58×10⁻⁵), o sea, el envejecimiento acelerado se asocia con una peor función cognitiva, como debería ser. En el caso de los relojes epigenéticos, la relación de la brecha con la creatinina sérica (marcador de la función renal) también cambia de signo: los modelos sesgados dan una asociación negativa (t= −3.68, p=2.94×10⁻⁴), mientras que UMLR da una positiva, aunque no significativa (t=0.79, p=0.43). El sesgo del parámetro η para los modelos estándar en los datos de prueba era de alrededor de 0.5–0.7, mientras que para UMLR era cercano a 1.0.
El trabajo muestra que las conclusiones sobre la relación del envejecimiento acelerado con enfermedades y factores de riesgo pueden ser un artefacto del sesgo de las predicciones y no una señal biológica. A diferencia de trabajos vecinos, que construyen relojes o buscan asociaciones sin controlar el sesgo, aquí por primera vez se da una definición formal del sesgo para los relojes de envejecimiento, se demuestra su traslado a la edad biológica no observable y se propone un método de corrección en la fase de entrenamiento. Esto cambia el estándar de análisis: en lugar de una calibración post hoc, que hace que las predicciones dependan demasiado de la edad cronológica, UMLR incorpora la ausencia de sesgo en el propio modelo. Para la epidemiología del envejecimiento, esto significa que muchas asociaciones publicadas pueden ser revisadas y que los estudios futuros deberían utilizar métodos insesgados.
El método UMLR puede extenderse a otros tipos de relojes de envejecimiento (transcriptómicos, proteómicos, multiómicos) y a modelos de aprendizaje profundo, donde el sesgo también está presente. Es posible adaptar las restricciones a patrones de sesgo no lineales y a resultados censurados, por ejemplo, en estudios longitudinales. Otra dirección será el desarrollo de pruebas diagnósticas para comprobar el sesgo en relojes ya publicados y recalcular las asociaciones en grandes biobancos utilizando UMLR. También es interesante investigar cómo afecta el sesgo a las estimaciones causales (por ejemplo, en la aleatorización mendeliana) y a las decisiones clínicas basadas en la edad biológica.
Los resultados influirán en la epidemiología del envejecimiento, la gerontología, la neuroimagen y la epigenética, donde los relojes de envejecimiento se usan como biomarcadores. También son importantes para los ensayos clínicos, donde la edad biológica sirve como criterio de valoración subrogado, y para la medicina personalizada, que evalúa el ritmo individual de envejecimiento.
Los próximos pasos incluyen aplicar UMLR a cohortes grandes existentes (UK Biobank, Framingham, HCP) para recalcular asociaciones conocidas y publicar un paquete de software con una interfaz cómoda. También es necesario validar el método en conjuntos de datos externos con distintas distribuciones de edad y compararlo con enfoques alternativos para eliminar el sesgo.
En el campo del envejecimiento sigue sin resolverse la pregunta de qué miden exactamente los relojes: la edad biológica o artefactos del entrenamiento. Este trabajo vincula ese problema con la tarea estadística fundamental de la inferencia a partir de resultados predichos, mostrando que sin controlar el sesgo no se puede separar la verdadera aceleración del envejecimiento de la regresión a la media. Esto conecta con el antiguo debate sobre la validez de los biomarcadores del envejecimiento y la necesidad de un estándar de oro para la edad biológica.
En el caso de la edad cerebral, los modelos sesgados afirmaban que las personas con mejor función cognitiva tenían un cerebro que envejecía más rápido, y los insesgados, lo contrario. El mismo conjunto de datos llevaba a recomendaciones médicas opuestas según se corrigiera o no el sesgo.
En la serie «Altered Carbon» la edad biológica puede separarse de la cronológica con tecnología, pero incluso allí la estimación de la edad de la corteza cerebral sufre errores sistemáticos si el algoritmo no está calibrado. El trabajo recuerda que antes de confiar en los «relojes de envejecimiento» hay que asegurarse de que no mienten en los extremos del rango.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.