Hace casi un año, en el Mobile World Congress de Barcelona, una máquina me hizo una foto del ojo y me devolvió un número. Parecía un truco. Ahora, un trabajo publicado en Nature Biomedical Engineering obliga a mirarlo en serio. En este episodio explico qué hay detrás: un modelo que analiza la retina para estimar riesgo de mortalidad, cómo encaja con la lógica de los modelos fundacionales, y por qué su base matemática conecta con la ley de Gompertz de 1825. La IA no inventa la curva de la vida: lo que hace es situarte dentro de ella. Además, repasamos cuatro preguntas clave para valorar cualquier modelo de IA en salud: si funciona fuera del lugar donde se desarrolló, si sabemos qué está mirando, si tiene base biológica y qué falta todavía antes de confiar de verdad en él. ❓ La pregunta del episodio: la última vez que viste una demo de IA en salud, ¿supiste decir si te podías fiar? Xu T, Peng Q, Li H, Wang M, Zhang J, Yu M, Chong C, Xue CC, Zhang X, He H, Fu H, Chew EY, Bikbov MM, Kazakbaeva GM, Jonas JB, Liu D, Cheng CY.Re-timing mortality risk through individualized modelling of lifespan trajectories.Nature Biomedical Engineering, 2 de noviembre de 2026.https://doi.org/10.1038/s41551-026-01822-4Revisado por pares. Entrenado en cohorte europea y validado en tres cohortes externas (sudeste asiático, Eurasia y Norteamérica).⚠️ Artículo de suscripción. Se han revisado el resumen, los autores, las cohortes y los conflictos de interés; no el texto completo. Ninguna cifra de precisión del episodio se atribuye a este artículo. Código publicado por los autores:https://github.com/xt0402/RetiME Zhou Y, Chia MA, Wagner SK, Ayhan MS, Williamson DJ, Struyven RR, et al.A foundation model for generalizable disease detection from retinal images.Nature. 2023;622(7981):156-163. PMID 37704728https://doi.org/10.1038/s41586-023-06555-xRETFound: 1,6 millones de imágenes de retina sin etiquetar, aprendizaje autosupervisado y adaptación posterior a tareas concretas.👉 Es otro modelo y otro equipo. Se cita en el episodio para explicar la técnica, no como base directa del artículo principal.Zhu Z, Shi D, Guankai P, et al.Retinal age gap as a predictive biomarker for mortality risk.British Journal of Ophthalmology. 2022;107(4):547-554. PMID 35042683https://doi.org/10.1136/bjophthalmol-2021-319807Estudio con 80.169 fotografías de 46.969 participantes del UK Biobank. Cada año de “brecha de edad retiniana” se asoció a un 2 % más de mortalidad por todas las causas.Gompertz B.On the nature of the function expressive of the law of human mortality.Philosophical Transactions of the Royal Society of London. 1825;115:513-583. Makeham WM.On the law of mortality and the construction of annuity tables.Journal of the Institute of Actuaries. 1860;8:301-310. UK Biobank (entrenamiento) — https://www.ukbiobank.ac.uk SEED — Singapore Epidemiology of Eye Diseases UEMS — Ural Eye and Medical Study AREDS — Age-Related Eye Disease Study (National Eye Institute, EE. UU.) Inyección de IA en Salud es un proyecto personal de Jesús Herrera García, Healthcare Solutions Partner en Roche Farma España. No es un canal corporativo de Roche; las opiniones expresadas son exclusivamente del autor. Locución íntegra del autor, sin voz sintética ni NotebookLM. El guion y la búsqueda de fuentes se han preparado con asistencia de IA (Claude, de Anthropic, modelo claude-opus-5-5). La selección, verificación y responsabilidad del contenido corresponden exclusivamente al autor. Contenido divulgativo: no sustituye la consulta con un profesional sanitario. 📚 FuentesEl artículo de referenciaCómo se entrena un modelo fundacional de retinaDe dónde salen las cifras comentadasLa matemática de 1825Cohortes del artículo principalConflictos de interés declaradosEpisodios relacionadosNota de cautelaAviso y responsabilidad editorial
