Cribar la apnea del sueño a partir de una simple foto de la cara: qué hace un sistema multimodal basado en un VLM, y por qué su « exactitud » adorna las cifras

Un equipo de Shanghái propone EviOSAHS, un sistema que estima el riesgo de apnea del sueño a partir de una foto de la cara y un perfil clínico, orquestando — solo mediante prompts, sin entrenamiento alguno — un modelo de visión-lenguaje y un gran modelo de lenguaje. En 642 pacientes con polisomnografía de referencia, declara una exactitud del 88,47 % y una sensibilidad del 94,86 %. El problema: la cohorte tiene 584 positivos frente a solo 58 negativos, la especificidad nunca se publica — se reconstruye en torno al 24 % — y un clasificador que respondiera « positivo » a todos lograría mayor exactitud (90,97 %).

El contexto

El síndrome de apneas-hipopneas obstructivas del sueño (SAHOS) se caracteriza por colapsos repetidos de la vía aérea superior durante el sueño: la respiración se detiene (apnea) o disminuye (hipopnea) decenas de veces por hora, fragmentando el sueño y elevando con el tiempo el riesgo cardiovascular y metabólico. Es frecuente y está muy ampliamente infradiagnosticado. El diagnóstico de referencia, la polisomnografía (PSG), exige una noche de registro instrumentado en un laboratorio del sueño: fiable pero costoso, de capacidad limitada y con largas listas de espera. De ahí el interés de herramientas de cribado que prioricen aguas arriba qué pacientes derivar antes a la PSG.

La gravedad se mide por el IAH (índice de apneas-hipopneas), el número de eventos respiratorios por hora de sueño, que define categorías (normal, leve, moderado, grave). Los cuestionarios clínicos clásicos (STOP-Bang, Epworth, Berlín) son baratos pero imprecisos. Por otro lado, la morfología craneofacial — cuello grueso, mentón retraído, vías aéreas estrechas — se correlaciona con el riesgo, lo que alimentó la idea de aprovechar una simple fotografía del rostro. La novedad de este trabajo: en lugar de entrenar un clasificador dedicado, los autores orquestan modelos generalistas existentes solo redactando instrucciones (el prompt), forzando una salida estructurada destinada a hacer interpretable la decisión.

El método

EviOSAHS no modifica ningún peso de modelo: es un encadenamiento « sin entrenamiento » (ningún aprendizaje sobre la cohorte objetivo) de dos piezas generalistas. Un modelo de visión-lenguaje (VLM) — un modelo que « lee » una imagen y responde por texto a preguntas sobre ella — y un gran modelo de lenguaje (LLM) que razona sobre texto. En la práctica, los autores emplean Qwen2.5-VL-7B-Instruct para la visión y Qwen2.5-7B-Instruct para el lenguaje, con decodificación determinista (temperatura cero, para respuestas reproducibles) en una sola GPU de 80 GB.

El núcleo es la « descomposición estructurada de la evidencia visual ». Una foto frontal del rostro se examina mediante siete preguntas anatómicas fijas: cuello, mentón, boca, grasa de cara y cuello, mandíbula inferior, tercio medio facial, nariz. En cada una, el VLM solo ve la imagen y actúa como observador, no como decisor: su respuesta se convierte en una « ficha de evidencia » estructurada (objetivo anatómico, observación, visibilidad, dirección del riesgo — a favor, en contra, incierto —, fuerza del indicio, confianza, resumen). Las siete fichas se ensamblan y — solo en esta fase final — el LLM recibe el perfil clínico tabular (edad, sexo, IMC, perímetro cervical, índice cintura-cadera, hipertensión, diabetes, cardiopatía, hiperlipidemia) y emite un veredicto binario mediante una « adjudicación equilibrada », sopesando explícitamente los indicios a favor, en contra e inciertos. La separación temporal — primero la visión, luego lo clínico — busca impedir que el modelo lo apueste todo al IMC o al perímetro cervical. El objetivo es una clasificación binaria: etiqueta positiva en cuanto la categoría de gravedad supera « normal »; el propio IAH se retira de los prompts para evitar la fuga de la etiqueta.

Los datos provienen de un solo centro: 642 sujetos de una cohorte retrospectiva de medicina del sueño del Eye & ENT Hospital de la Universidad Fudan (Shanghái), con PSG de referencia, registrada en el registro chino de ensayos clínicos (ChiCTR2300069223). El mapeo binario da 584 positivos frente a 58 negativos; la distribución original está muy desequilibrada (normal 58, leve 99, moderado 95, grave 390). La cohorte es mayoritariamente masculina (546 hombres frente a 96 mujeres), de edad mediana 40 años (rango 4 a 82) e IMC mediano 26,5. Punto metodológico clave: no hay ni entrenamiento ni separación entrenamiento/prueba — todos los modelos se evalúan por inferencia directa sobre toda la cohorte, con los prompts « fijados antes de los ensayos formales ». Los comparadores son otras formas de hacer prompt (solo clínico, VLM directos, fusión temprana, modelo único, versiones ablacionadas); ningún experto humano ni cuestionario validado como STOP-Bang sirve de referencia.

Los resultados

El sistema completo muestra una exactitud del 88,47 %, una sensibilidad del 94,86 %, un F1 del 93,74 % y una tasa de falsos negativos del 5,14 %, reduciendo, según los autores, los casos omitidos de más de 140 a 30. Supera al « solo clínico » (exactitud 74,61 %, sensibilidad 75,34 %), a un VLM LLaVA-1.6 usado directamente (73,83 %; 74,66 %), a una fusión temprana (85,67 %; 91,61 %) y a un modelo único (85,36 %; 89,55 %). Dos VLM interrogados « en crudo » se derrumban: InstructBLIP cae al 0 % de sensibilidad y Qwen2.5-VL al 1,54 % — responden « negativo » casi en todo o producen salidas inutilizables. Las ablaciones muestran de dónde viene la ganancia: sin las siete preguntas visuales, la exactitud baja al 71,65 % (sensibilidad 71,92 %); sin la adjudicación equilibrada, al 73,99 % (75,68 %). La auditoría de 4 494 sesiones visuales (7 preguntas × 642 sujetos) informa un 100 % de salidas correctamente estructuradas y una « alta visibilidad » superior al 93 %, con la nariz como punto débil.

Dos cifras, ausentes del artículo, cambian la lectura. Primero, no se informa ninguna especificidad ni ninguna AUC — el sistema solo produce un sí/no, no una probabilidad, lo que impide cualquier curva ROC (la AUC, área bajo esa curva, resume la capacidad de separar positivos y negativos en todos los umbrales). Aun así, la especificidad (la proporción de verdaderos negativos correctamente clasificados) puede reconstruirse a partir de la exactitud, la sensibilidad y la prevalencia: unos 554 verdaderos positivos y 14 verdaderos negativos, es decir una especificidad de alrededor del 24 % (14 de 58) y 44 falsos positivos. En claro: de las 58 personas realmente sanas de esta cohorte, unas 44 se clasifican por error como « en riesgo ». (Comprobación: este conjunto de valores reproduce exactamente el F1 del 93,74 % declarado.) Segundo, como los positivos representan el 90,97 % de la cohorte, un modelo trivial que respondiera « positivo » a todos alcanzaría el 90,97 % de exactitud — por encima del 88,47 % del sistema. Por último, la robustez inquieta: mezclar al azar las imágenes o desenfocarlas hace bascular, en cada caso, la predicción de 63 sujetos de 642 (casi el 10 %).

Lo que está bien

Una interpretabilidad pensada desde el diseño. En lugar de una caja negra que escupe una puntuación, EviOSAHS produce siete fichas de evidencia anatómicas, legibles y verificables, con dirección del riesgo, fuerza y confianza, y separa la observación de la imagen de la decisión final. Para una herramienta de triaje donde el clínico quiere ver el « por qué », es una propiedad útil — y la auditoría con 100 % de salidas correctamente estructuradas muestra que la restricción de formato se sostiene.

Ablaciones honestas. Los autores no se limitan a anunciar una buena cifra: desmontan su pipeline para mostrar que lo esencial de la ganancia viene de la descomposición en siete preguntas y de la adjudicación equilibrada, y documentan el derrumbe de los VLM interrogados ingenuamente (sensibilidad 0 % o 1,54 %). Exponer estos fracasos en lugar de ocultarlos es buena higiene científica.

Reproducibilidad y baja barrera técnica. Sin entrenamiento, modelos abiertos de 7000 millones de parámetros corriendo en una única GPU, decodificación determinista y código publicado en GitHub con los prompts, los esquemas de fichas y el código de evaluación. Se puede reejecutar y discutir el método — condición de toda crítica constructiva.

Lo que está menos bien

Una métrica engañosa sobre una cohorte desequilibrada. Es el punto central. Con 584 positivos frente a 58 negativos, la exactitud y el F1 están inflados por la prevalencia, y el « siempre positivo » supera al sistema en exactitud (90,97 % frente a 88,47 %). Sobre todo, la ausencia de especificidad y de AUC oculta el talón de Aquiles de todo cribado: la reconstrucción da una especificidad de alrededor del 24 %, es decir 44 falsos positivos de 58 verdaderos negativos. En una población general de baja prevalencia — el verdadero terreno de una herramienta de cribado — este punto de funcionamiento produciría una avalancha de derivaciones inútiles a la PSG. Optimizar solo la sensibilidad sobre una cohorte enriquecida en enfermos es medir el rendimiento donde resulta más halagador.

Sin separación entrenamiento/prueba ni validación externa. Toda la evaluación se hace sobre la misma cohorte en la que se ajustaron los prompts: el resultado es de hecho « en muestra », con riesgo de sobreajuste de los prompts y del punto de funcionamiento a este conjunto de datos — una variante del data leakage propia de la era del prompt. A ello se suma un fuerte sesgo de población: un solo hospital, una cohorte china, 85 % de hombres, un rango de edad que incluye a un niño de 4 años (contaminación pediátrica en una tarea de adultos) e índices cintura-cadera no fisiológicos (> 2) conservados como entrada. Ninguna cohorte externa pone a prueba la generalización.

Comparadores débiles y predicciones inestables. Las baselines más espectacularmente batidas (InstructBLIP al 0 %, Qwen2.5-VL al 1,54 %) están degeneradas — adversarios de paja — y el sistema nunca se compara con un cuestionario validado como STOP-Bang ni con un modelo publicado de foto facial. En cuanto al anclaje anatómico reivindicado, resiste mal: mezclar o desenfocar las imágenes hace bascular 63 predicciones de 642, señal de un posible shortcut learning (el modelo se apoyaría en correlaciones espurias en vez de la anatomía que dice leer), tanto más cuanto que las « evidencias » intermedias nunca son validadas por un ORL. Cabe señalar, por último, que un autor está afiliado a Tencent Youtu Lab, mientras que la declaración menciona ausencia de conflicto de intereses.

Lo que cambia

Para la comunidad investigadora, el estudio ilustra un patrón de diseño atractivo: orquestar por prompt modelos generalistas para producir un razonamiento multimodal estructurado e interpretable, sin coste de entrenamiento. Pero vale sobre todo como caso de escuela sobre la evaluación: informar exactitud, sensibilidad y F1 sobre una cohorte desequilibrada y enriquecida, sin especificidad, sin AUC ni valor predictivo, puede hacer parecer sólido un sistema que en realidad queda por debajo de una baseline trivial. El correctivo es conocido: cohortes equilibradas o prevalencia realista, punto de funcionamiento calibrado, métricas de doble presentación, validación externa.

Para clínicos y decisores, el mensaje es prudente: una foto de la cara no reemplaza ni la polisomnografía ni, en esta etapa, siquiera un cuestionario validado. En cribado, la especificidad es el nervio de la guerra — cada falso positivo cuesta una noche de PSG y ansiedad a un paciente sano. Una inferencia basada en la morfología facial plantea además cuestiones de sesgo demográfico y étnico, y de privacidad, que una herramienta basada en foto deberá afrontar de frente.

Para pacientes y público general, dos ideas simples. No, una aplicación no puede diagnosticar de forma fiable una apnea del sueño a partir de un selfie. Y un titular que anuncia « 94 % » oculta lo esencial: en las personas que no tienen la enfermedad, este sistema se equivoca, con estos datos, la mayoría de las veces. Una buena prueba de cribado se juzga sobre dos piernas — detectar a los enfermos y ahorrar a los sanos —, no sobre una sola.

Para saber más

El preprint « Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome » está disponible en arXiv (2606.00087), por Chen Zhan, Yingchen Wei, Xiaoyu Tan, Jingjing Huang y Xihe Qiu (Shanghai University of Engineering Science; Tencent Youtu Lab; Eye & ENT Hospital de la Universidad Fudan; National University of Singapore). El código está publicado en GitHub; los datos (imágenes de rostro y registros clínicos) no son públicos. El estudio está registrado en el registro chino de ensayos clínicos (ChiCTR2300069223) y financiado por la Shanghai Municipal Natural Science Foundation (23ZR1425400); los autores declaran ausencia de conflicto de intereses. Sobre los modelos de visión-lenguaje y sus puntos ciegos, véanse nuestros decryptages sobre el texto que domina la imagen en los VLM clínicos, sobre la prudencia y la metacognición de los LLM jueces en clínica, y sobre los sesgos ocultos por subgrupos en imagen médica.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. La especificidad (≈ 24 %) y el número de falsos positivos se reconstruyen a partir de la exactitud, la sensibilidad y la prevalencia informadas. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.