La imagen corporal se vuelve biomarcador de riesgo presintomático
Dos estudios publicados esta semana en la revista Radiology reposicionan la resonancia magnética de cuerpo entero como herramienta de medicina preventiva. Al analizar la composición de los tejidos musculares y adiposos con algoritmos de deep learning, los investigadores lograron estimar con precisión el riesgo individual de diabetes, eventos cardiovasculares mayores y mortalidad por todas las causas en personas todavía asintomáticas. El hallazgo amplía el concepto de «radiología oportunística», según el cual cada examen de imagen lleva información clínica más allá del motivo original de la solicitud.
La premisa no es totalmente nueva. Hace más de una década que la investigación asocia la cantidad y la calidad de tejidos como músculo esquelético, grasa visceral y grasa intramuscular con desenlaces como enfermedad cardiovascular y disfunción metabólica. El salto esta vez está en la escala y en la automatización: redes neuronales convolucionales pueden segmentar y medir esos tejidos en miles de exámenes sin intervención humana, acercando lo que antes era investigación epidemiológica a la rutina clínica.
Estudio 1: 66 mil participantes del UK Biobank y NAKO
En el primer trabajo, investigadores alemanes revisaron exámenes de RM cuerpo entero de más de 66 mil personas inscritas en dos grandes cohortes poblacionales: el UK Biobank, en el Reino Unido, y el German National Cohort (NAKO). El equipo entrenó algoritmos de aprendizaje profundo para generar puntajes Z estandarizados de varias métricas de composición tisular, comparando a cada individuo con la distribución poblacional.
Los resultados fueron contundentes. Volumen elevado de tejido adiposo visceral mostró un hazard ratio (HR) de 2,26 para diabetes incidente, es decir, más del doble del riesgo de referencia. Grasa intramuscular elevada se asoció con eventos cardiovasculares mayores con HR de 1,54, mientras que baja masa de músculo esquelético funcionó como marcador de mortalidad por todas las causas (HR=1,44). Son cifras compatibles con factores de riesgo tradicionales consolidados, pero obtenidas a partir de una sola adquisición de imagen, sin extracciones sanguíneas adicionales.
La ventaja clínica del enfoque es la posibilidad de personalizar la estratificación de riesgo. En lugar de clasificar pacientes solo por IMC o glicemia en ayunas, el radiólogo entrega al clínico un perfil tisular detallado, capaz de identificar personas con peso normal pero alta carga de grasa visceral, o adultos mayores sarcopénicos con riesgo oculto de eventos adversos.
Estudio 2: NAKO afina el rol de la grasa paraespinal
El segundo artículo se centró en 11.300 participantes de la cohorte NAKO con RM cuerpo entero 3T. Los autores se enfocaron en dos marcadores recientemente vinculados a disfunción metabólica: el tejido adiposo intermuscular paraespinal (IMAT) y la masa muscular magra (LMM). El IMAT aumentado se correlacionó con hipertensión (HR=1,67) y dislipidemia aterogénica (HR=1,82). En cambio, una LMM elevada actuó como marcador protector en hombres, con HR de 0,34 para hipertensión y 0,49 para dislipidemia aterogénica — una reducción significativa del riesgo.
Estos hallazgos ayudan a explicar por qué pacientes con laboratorio aparentemente normal pueden tener infiltración grasa intramuscular silenciosa, condición cada vez más vinculada a la resistencia insulínica. Al cuantificar ese tejido sin invasividad, la radiología entrega una señal precoz que puede preceder a la alteración metabólica clásica.
Implicaciones clínicas y operacionales para la radiología
La consecuencia práctica es directa: servicios que ya realizan RM cuerpo entero para chequeos ejecutivos, oncológicos o de enfermedades sistémicas tienen la oportunidad de agregar reportes estructurados de composición tisular. Plataformas comerciales y pipelines de investigación comienzan a incorporar estos módulos con integración al PACS, permitiendo revisar los puntajes en la misma estación de informe. Para entender cómo se están llevando herramientas similares a la rutina, vale la pena seguir la visión de GE HealthCare sobre deep learning en imagen médica y el avance de soluciones como las de Aidoc, que captó US$150 millones para escalar IA radiológica.
También hay implicaciones para el reporte estructurado: medidas como volumen de grasa visceral, IMAT y área de músculo esquelético pueden insertarse en el informe con referencia al puntaje Z poblacional, transformando el hallazgo en información accionable. Para servicios de radiología, eso amplía el valor agregado del examen en un escenario en el que las RM electivas compiten con la tomografía en costo y disponibilidad.
Limitaciones, próximos pasos y contexto
Pese al entusiasmo, los autores reconocen limitaciones. Tanto UK Biobank como NAKO reclutaron poblaciones relativamente sanas, predominantemente blancas y europeas, lo que limita la generalización a entornos étnicamente más diversos. Algoritmos entrenados en estas bases pueden necesitar recalibración antes de aplicarse a cohortes locales.
Otro punto es la necesidad de validación prospectiva: las asociaciones son estadísticamente robustas, pero todavía se basan en hazard ratios observacionales. Estudios de intervención deben mostrar que ajustar la conducta clínica con base en estos biomarcadores mejora desenlaces duros, no solo marcadores intermedios. Por último, integrar la radiología a la medicina preventiva exige un cambio cultural: clínicos, endocrinólogos y cardiólogos deben aprender a interpretar puntajes Z de composición tisular y a actuar en consecuencia. La trayectoria apunta hacia lo que varios líderes de imagen llaman radiología poblacional, en la que cada examen alimenta una base de datos que retroalimenta los modelos predictivos.
Fuente: The Imaging Wire — Imaging Predicts Disease by Analyzing Tissue Composition
