Según Google Research, un enfoque basado en inteligencia artificial permite estimar el riesgo cardiometabólico a partir de imágenes tomadas con smartphones. Este método, denominado PhotoScan, utiliza aprendizaje profundo para analizar fotogramas y derivar indicadores de composición corporal, alcanzando niveles de precisión similares a los de escáneres clínicos de densidad dual (DXA). El estudio se centra en la resistencia a la insulina, un factor clave que antecede años a la aparición del diabetes tipo 2, afectando funciones hepáticas, vasculares y metabólicas incluso cuando los niveles de glucosa en ayuno no han alcanzado rangos diagnósticos. El modelo HOMA-IR, que evalúa el equilibrio entre la producción de glucosa por el hígado y la secreción de insulina en ayuno, define como resistente a la insulina un valor superior a 2.9, según revisiones epidemiológicas. Investigaciones recientes indican que combinaciones de inteligencia artificial que integran datos de dispositivos portátiles y análisis de laboratorio pueden identificar con precisión este indicador, permitiendo detectar riesgos metabólicos en etapas tempranas.
La composición corporal aporta una dimensión estructural que complementa los datos obtenidos por dispositivos wearables. Mientras que los dispositivos monitorean hábitos diarios, la composición corporal ofrece una evaluación directa de la cantidad de grasa corporal y masa muscular. Este análisis permite diferenciar entre un perfil corporal en forma de "manzana", asociado a acumulación de grasa abdominal, y uno en forma de "naranja", caracterizado por grasa distribuida en caderas y muslos. El ratio de grasa abdominal a grasa ginecológica (A/G) y el ratio entre grasa visceral y subcutánea (V/S) son indicadores clave. Un A/G elevado y una mayor masa de grasa visceral están estrechamente vinculados a una mayor prevalencia de resistencia a la insulina.
Para el lector peruano, este avance tecnológico representa una oportunidad real de acceso a diagnósticos metabólicos más tempranos. En el contexto del Perú, donde factores como el sedentarismo, la alimentación rápida y el aumento de la obesidad en adultos jóvenes son preocupaciones crecientes, el uso de herramientas basadas en imágenes simples —como una foto tomada en casa— podría democratizar el monitoreo del riesgo metabólico. Aunque actualmente el estándar de medición de composición corporal sigue siendo el escáner DXA, que requiere infraestructura clínica, el desarrollo de algoritmos que operan en dispositivos comunes sugiere una evolución hacia diagnósticos más accesibles. Sin embargo, es fundamental no interpretar estas herramientas como sustitutos de evaluaciones médicas completas. La validación clínica, el acompañamiento profesional y la integración de otros factores de riesgo, como la historia familiar o el estilo de vida, deben permanecer en el centro del enfoque. La tecnología puede ampliar la visibilidad del riesgo, pero no reemplaza la atención médica integral.