Tu fecha de nacimiento no predice tu salud. El estado bioquímico de tu sangre, mejor interpretado, sí.
Del PhenoAge de Levine (2018) al modelo Bortz (2023, UK Biobank n=306.116, 60 biomarcadores): la evolución del estimador blood-based, la insulina ayunas y el C-péptido como drivers que el modelo original no incluyó, la cistatina C más allá del riñón y por qué en embarazo el modelo no aplica. La pieza que falta entre tener un número y cambiarlo.
Dos personas con la misma edad cronológica pueden tener perfiles bioquímicos separados por una década de envejecimiento real. El reto clínico no es saber esa diferencia. Es saber qué hacer con el número.
El modelo de Levine PhenoAge 2018 demostró que diez biomarcadores clínicos estándar podían predecir mortalidad mejor que la edad cronológica. El modelo de Bortz 2023, publicado en Communications Biology con datos del UK Biobank (n=306.116, 60 biomarcadores), lo mejoró en un 11% de poder predictivo manteniendo accesibilidad clínica. Ni uno ni otro incluyen insulina ayunas. Ni uno ni otro incluyen C-péptido. Ninguno se aplica en embarazo. Ninguno mide envejecimiento directamente: ambos estiman riesgo asociado a mortalidad.
Este pillar profundiza en el modelo Bortz como evolución científica del PhenoAge, los biomarcadores upstream que lo complementan (insulina, C-péptido, cistatina C como ventana sistémica), por qué en embarazo el modelo no aplica y cómo se opera el bucle medir-intervenir-medir para que el número deje de ser snapshot y se convierta en trayectoria. No mides para saber tu edad biológica. Mides para cambiarla.
El campo de la edad biológica entró en madurez científica con dos hitos consecutivos. En 2018, Morgan Levine publicó PhenoAge en Aging (Albany NY), demostrando que un algoritmo entrenado en NHANES con diez biomarcadores clínicos estándar (albúmina, creatinina, glucosa, PCR-us, % linfocitos, volumen corpuscular medio, RDW, fosfatasa alcalina, recuento de glóbulos blancos y edad cronológica) podía predecir mortalidad mejor que la edad cronológica aislada y que los relojes epigenéticos de primera generación de aquel momento. En octubre de 2023, Jordan Bortz y colaboradores publicaron en Communications Biology un modelo que sobre 60 biomarcadores circulantes del UK Biobank seleccionó 25 mediante Elastic-Net Cox y mejoró el C-Index de 0,750 a 0,778 sobre PhenoAge, un 11% de incremento relativo en valor predictivo.
Eso es el avance metodológico. Lo que la mayoría de artículos divulgativos no cuenta es esto: el modelo Bortz no incluye insulina en ayunas ni C-péptido, simplemente porque el UK Biobank no los midió rutinariamente en su cohorte. Tampoco incluye cistatina C como variable. La operacionalización clínica posterior, en plataformas como Function Health, Levels Health o frameworks comerciales tipo Healthspan, ha intentado cubrir esos vacíos añadiendo biomarcadores upstream que detectan disfunción metabólica una década antes de que la glucosa y la HbA1c crucen umbrales diagnósticos. El pillar hermano de KRECE biomarcadores de longevidad cubre el panel completo desde la perspectiva del laboratorio; este artículo se enfoca en el modelo de edad biológica como concepto y en la lógica clínica que conecta medición con decisión.
Edad biológica vs edad cronológica: por qué tu fecha de nacimiento no predice tu salud
La edad cronológica es trivialmente exacta y biológicamente irrelevante. Cuenta días desde el nacimiento. No mide el estado del endotelio, ni la sensibilidad insulínica, ni la reserva mitocondrial, ni la carga inflamatoria acumulada. Dos individuos con la misma fecha de nacimiento pueden compartir poco en común a nivel fisiológico, y esto deja de ser un meme divulgativo cuando los datos cuantifican la divergencia: en el UK Biobank, las diferencias entre edad biológica estimada por marcadores hematológicos y edad cronológica se distribuyen con desviaciones típicas de varios años, y los percentiles extremos divergen más de una década.
Edad biológica: cómo se define y qué mide realmente
Un modelo de edad biológica blood-based no mide envejecimiento directamente. Lo que mide es riesgo de mortalidad asociado al patrón bioquímico, y lo traduce a una unidad familiar (años) para que sea interpretable. La salida del modelo es probabilística: indica dónde se sitúa tu fisiología respecto a curvas poblacionales de riesgo, no cuántos años te quedan de vida. Confundir asociación con medición directa es el error conceptual más frecuente en el espacio comercial.
Why your birthday doesn't predict your health: chronological vs biological age
La pregunta inglesa que más tracción tiene en consultas de medicina preventiva en USA es exactamente esta. La respuesta que la evidencia sostiene es que la edad cronológica predice mortalidad con una potencia estadística significativa pero subordinada al perfil bioquímico. Cuando se ajustan los modelos por biomarcadores clásicos validados (ApoB, HOMA-IR, hsCRP, cistatina C, omega-3 index), la edad cronológica pierde parte de su poder predictivo independiente. Es decir: a iguales biomarcadores, dos personas de 50 y 70 años tienen riesgos de mortalidad más parecidos de lo que la diferencia generacional sugiere.
¿Qué mide un test de edad biológica en español? La definición operativa
Lo que vende un test comercial de edad biológica al consumidor hispanohablante depende del tipo de algoritmo subyacente. Los modelos blood-based (PhenoAge, Bortz, BioAge) estiman riesgo a partir de química sanguínea estándar. Los relojes epigenéticos (Horvath, GrimAge, DunedinPACE) miden patrones de metilación de ADN. Los relojes proteomicos miden firmas de proteínas plasmáticas. Los relojes glicométricos (GlycanAge) miden patrones de glicosilación de inmunoglobulinas G. Todos producen una edad biológica, pero las cuatro mediciones no son el mismo objeto. La taxonomia completa con tablas comparativas está en el pillar hermano biomarcadores de longevidad; este artículo se centra específicamente en los blood-based de Levine y Bortz.
El número no es el objetivo. Cambiarlo, sí
La pregunta editorial que ordena este artículo — y que la mayoría de paneles comerciales no responde — es la siguiente. Tu edad biológica estimada es 38 cuando tu edad cronológica es 42. ¿Qué haces con ese dato? ¿Cambia tu plan de entrenamiento? ¿Modifica tu suplementación? ¿Te plantea farmacología preventiva? ¿O simplemente has pagado 300 dólares por un número que va a quedar en una pestaña de Notion? Esta es la pregunta clínica que separa testing con señal de testing como teatro. El marco fundacional KRECE sobre cómo el cuerpo registra el coste del estrés acumulado está en el cornerstone de homeostasis, alostasis y carga alostática, y el coste inflamatorio crónico que acompaña a este proceso está cubierto en inflammaging.
Regla editorial KRECE sobre edad biológica. Un test de edad biológica entra al circuito clínico de un sujeto sano cuando se cumplen tres condiciones simultáneas: (1) el modelo subyacente está publicado en literatura revisada por pares con cohorte >10.000 personas y endpoint clínico (mortalidad o eventos), no sólo correlación con edad cronológica; (2) el resultado va a integrarse en un plan de intervención con re-medición programada a 6-12 meses, no quedar en standalone; (3) el sujeto comprende que el output es estadístico, no biológico directo, y que la variabilidad analitica esperable puede mover el resultado ±2-3 años entre mediciones consecutivas. Sin las tres condiciones, el test es información decorativa.
De Levine PhenoAge 2018 al modelo Bortz 2023: la evolución del estimador blood-based
El campo de los estimadores de edad biológica basados en química sanguínea avanza con la misma lógica que cualquier otro campo científico maduro: tamaños de cohorte mayores, paneles de biomarcadores más amplios, métodos estadísticos más sofisticados y validación contra endpoints duros (mortalidad por todas las causas, eventos cardiovasculares mayores). Levine 2018 y Bortz 2023 son los dos hitos que vertebran esta evolución hoy.
PhenoAge en 2018: el punto de inflexión del campo blood-based
El modelo PhenoAge se entrenó en el dataset NHANES III, con seguimiento de mortalidad de hasta 20 años, sobre nueve marcadores clínicos estándar más la edad cronológica. La selección de biomarcadores privó accesibilidad clínica universal: albúmina, creatinina, glucosa, proteína C reactiva ultrasensible, porcentaje de linfocitos, volumen corpuscular medio, ancho de distribución eritrocitaria (RDW), fosfatasa alcalina y recuento total de glóbulos blancos. Diez variables que cualquier analitica privada española, mexicana o argentina entrega sin coste adicional respecto a un perfil rutinario.
El resultado fue una variable que predecía mortalidad por todas las causas con un hazard ratio superior al de la edad cronológica aislada y a los relojes epigenéticos de primera generación (Horvath, Hannum) disponibles en aquel momento. Posteriormente, el desarrollo de DNAm-PhenoAge (la versión epigenética entrenada para predecir la PhenoAge bioquímica) amplió el alcance del modelo. La lógica metodológica es importante: PhenoAge no se entrenó para predecir edad cronológica. Se entrenó para predecir mortalidad y morbilidad, y esa decisión estadística es lo que la diferencia de los relojes de primera generación cuya correlación con edad cronológica es altisima pero cuya correlación con outcomes clínicos es solo moderada.
El modelo Bortz 2023: qué cambia exactamente
El paper de Bortz, Guariglia, Klaric y colaboradores en Communications Biology (octubre 2023) trabajó con la cohorte UK Biobank, específicamente 306.116 participantes con seguimiento de mortalidad. El panel de partida fue 60 biomarcadores circulantes; el modelo final, un Elastic-Net Cox con 25 biomarcadores seleccionados automáticamente. Los resultados cuantitativos centrales son los siguientes.
| Métrica | PhenoAge (Levine 2018) | Bortz 2023 | Diferencia |
|---|---|---|---|
| Cohorte de entrenamiento | NHANES III, n≈9.926 | UK Biobank, n=306.116 | Tamaño ~31× |
| Biomarcadores evaluados | 42 candidatos → 9 finales | 60 candidatos → 25 finales | Panel más amplio |
| C-Index mortalidad | 0,750 (IC 95% 0,739–0,761) | 0,778 (IC 95% 0,767–0,788) | +0,028 (+11% relativo) |
| Método estadístico | Regresión Gompertz proporcional | Elastic-Net Cox regularizado | Selección automática |
| Validación externa | NHANES IV (independiente) | Hold-out interno UK Biobank | PhenoAge más validado |
| Funding | NIH | Humanity Inc. (privado) | Conflicto de interés a declarar |
El 11% de mejora relativa en C-Index no es trivial en este tamaño de cohorte; representa la diferencia entre que el modelo acierte el orden de mortalidad en aproximadamente el 75% versus el 78% de pares de individuos comparados al azar. En términos clínicos individuales esa mejora es modesta, pero a escala poblacional — cribado masivo, definición de cohortes de riesgo, evaluación de intervenciones a gran escala — importa.
C-Index, hazard ratios and why the 0.028 lift matters in machine-learning epidemiology
El C-Index (concordance index) es la métrica estándar de discriminación en modelos de supervivencia. Un C-Index de 0,5 equivale a azar; 1,0 equivale a discriminación perfecta. La mayoría de modelos de mortalidad poblacional bien entrenados se mueven entre 0,70 y 0,80, y mejoras de 0,02-0,03 son clínicamente relevantes cuando se trabaja con cohortes de cientos de miles de individuos. La pregunta editorial honesta es si esa mejora se traduce en utilidad clínica individual. La respuesta corta es que todavía no de forma demostrada: ningún RCT ha comparado decisiones clínicas guiadas por PhenoAge vs Bortz vs gestión estándar de biomarcadores aislados. La superioridad estadística del modelo Bortz está documentada; la superioridad de las decisiones clínicas tomadas con él, pendiente.
Limitaciones del modelo Bortz que los artículos divulgativos omiten
Tres limitaciones merecen estar sobre la mesa antes de incorporarlo a la práctica clínica.
Generalizabilidad. El UK Biobank, pese a su tamaño, es una cohorte mayoritariamente blanca británica, voluntaria (sesgo de selección hacia individuos más sanos y comprometidos con investigación) y dentro de un rango etario específico de reclutamiento (40-69 años en baseline). Su transposición a poblaciones hispanas, latinoamericanas, asiáticas o africanas requiere validación externa que aún no se ha publicado en revistas indexadas con el nivel de robustez del paper original.
Caja negra Elastic-Net. El modelo selecciona 25 biomarcadores automáticamente con regularización estadística. No hay una justificación biológica mecanística de por qué esos 25 y no otros. Para la utilidad poblacional eso da igual; para el clínico que quiere entender qué sistemas están contribuyendo a la edad biológica de un paciente concreto, es una limitación interpretativa significativa.
Ausencia de insulina, C-péptido y cistatina C. Es probablemente la limitación más práctica del modelo. UK Biobank no recogió insulina en ayunas, C-péptido ni cistatina C como variables rutinarias en todos los participantes, lo que excluyó estos tres marcadores del feature set inicial. Son precisamente los biomarcadores upstream que mejor detectan disfunción metabólica y vascular subclínica antes de que se manifieste en HbA1c, glucosa basal o creatinina. Las dos siguientes secciones desarrollan esta carencia.
Más allá de Bortz: el problema de comparar relojes incomparables
PhenoAge, Bortz, GrimAge, DunedinPACE y los relojes epigenéticos más recientes no miden todos lo mismo, no se entrenan con los mismos datos, no usan las mismas unidades de salida y no responden igual a las mismas intervenciones. Un paciente que pague tres tests distintos puede recibir tres «edades biológicas» separadas por décadas. Esto no es un bug del campo: es una consecuencia inevitable de que distintos algoritmos modelen distintos componentes del proceso de envejecimiento. La pregunta editorial honesta no es «cuál reloj es el correcto» sino «cuál mide lo que a mí me importa». Profundización en este punto, con tabla comparativa de los cinco relojes principales, está en el pillar biomarcadores de longevidad y el marco general en epigenética y envejecimiento.
Insulina en ayunas: el biomarcador más infravalorado en la práctica clínica
Ni PhenoAge ni Bortz incluyen insulina ayunas en su algoritmo. La ausencia es metodológica, no conceptual: los modelos se entrenan con los biomarcadores que las cohortes históricas recogieron, y NHANES y UK Biobank no priorizaron insulina basal en sus protocolos rutinarios. El resultado es que la edad biológica estimada por blood-based models tarda en moverse cuando el sujeto entra en resistencia insulínica subclínica, porque la glucosa y la HbA1c — los marcadores metabólicos sí incluidos — no se alteran hasta que la disfunción está ya muy avanzada.
Por qué la glucosa basal y la HbA1c llegan tarde
El páncreas compensa la resistencia periférica creciente a la insulina aumentando su secreción. Esa compensación mantiene la glucosa en rangos normales durante años, en algunas series una década o más. La hiperinsulinemia compensatoria es el coste fisiológico de mantener la glucemia, pero clinicamente es invisible para el panel estándar. Cuando la HbA1c cruza el umbral de 5,7% que define prediabetes, el daño vascular, hepático y neurológico asociado a hiperinsulinemia crónica ha estado ya en curso durante un tiempo prolongado. El cornerstone de KRECE sobre el eje completo está en resistencia a la insulina: la cronología que precede a la diabetes.
Fasting insulin: the most overlooked biomarker in primary care
En USA, donde la cobertura sanitaria privada permite paneles más amplios, la crítica más constante en medicina funcional contemporánea es que menos del 1% de médicos de atención primaria solicitan insulina ayunas rutinariamente en pacientes asintomáticos. Robert Lustig (UCSF), Mark Hyman (Cleveland Clinic) y Casey Means (Levels Health) han documentado este punto ciego clínico de manera reiterada. El argumento contra rutinizar la medición es de coste-efectividad poblacional; el argumento a favor en medicina preventiva individual es que detecta la fase compensada antes de que la fase descompensada (glucosa alta, HbA1c alta) lleve décadas de daño vascular silente acumulado.
La hiperinsulinemia precede 10 años a la diabetes tipo 2
El dato cuantitativo más sólido de este punto viene del Whitehall II Study, Tabák 2009, Lancet. La cohorte de 6.538 funcionarios británicos seguida prospectivamente documentó las trayectorias de glucosa, sensibilidad e insulinemia en los individuos que terminarían siendo diagnosticados de diabetes tipo 2, comparados con quienes no. Las alteraciones de sensibilidad insulínica fueron detectables hasta 13 años antes del diagnóstico clínico, mientras que la glucemia basal y la HbA1c sólo se desviaron significativamente en los últimos 3-5 años pre-diagnóstico.
Óptimo de longevidad: 2–6 µUI/mL. Este rango es más estricto que el límite superior clínico convencional (<25 µUI/mL) y refleja el percentil bajo de poblaciones metabólicamente sanas en cohortes prospectivas. Insulina > 10 µUI/mL en ayunas con glucemia normal es hiperinsulinemia compensatoria; insulina > 15 µUI/mL con glucemia normal es señal clínica de resistencia franca y disparador de evaluación metabólica ampliada. La medición debe hacerse con ayuno estricto de 8-12h, sin ejercicio intenso 24h previas, sin estrés emocional agudo, y repetirse antes de tomar decisiones clínicas porque la insulina es lábil (puede duplicarse o reducirse a la mitad en 48h por dieta).
mTOR, autofagia y la aceleración del envejecimiento metabólico
El nexo mecanístico entre hiperinsulinemia crónica y envejecimiento acelerado está mediado por vías conservadas evolutivamente. La insulina elevada mantiene activada la vía PI3K-Akt-mTORC1, que es un sensor de disponibilidad de nutrientes y señal de crecimiento. La activación crónica de mTORC1 suprime autofagia, el mecanismo celular de eliminación y reciclaje de proteínas defectuosas, organánelos dañados y agregados tóxicos. Sin autofagia adecuada el daño se acumula. La conexión con el marco general de envejecimiento celular está cubierta en el cornerstone flexibilidad metabólica y longevidad funcional.
El argumento es que la edad biológica estimada por PhenoAge o Bortz terminará reflejando la disfunción metabólica cuando ésta se traduzca en alteraciones de HbA1c, glucosa, lipidos y PCR-us, pero esto ocurre tarde en la trayectoria. Incorporar insulina ayunas al panel adelanta la detección a la fase compensada, donde la intervención cambia el techo de mejora alcanzable y no sólo el manejo de la enfermedad ya establecida.
Limitaciones del ensayo de insulina que el clínico debe conocer
El ensayo de insulina por inmunoanalisis (RIA, ELISA, quimioluminiscencia) presenta reactividad cruzada con proinsulina, el precursor no totalmente procesado. En estadios de estrés secretor pancreático, la proporción de proinsulina circulante aumenta y los ensayos pueden sobreestimar la insulina madura activa. Esto significa que una insulina basal puntualmente alta puede ser ruido técnico, no fisiología real. La regla clínica: repetir antes de actuar, idealmente con el mismo laboratorio para minimizar drift inter-plataforma. La siguiente sección explica cómo el C-péptido resuelve este problema al servir como medición alternativa de secreción pancreática.
El modelo del metabolismo glucosídico: leer el sistema, no biomarcadores aislados
La salud metabólica no se diagnostica con un marcador. Se diagnostica con un patrón. El framework clínico operativo que ha demostrado mayor poder discriminativo combina seis variables como un sistema interrelacionado: glucosa basal, insulina basal, C-péptido, HOMA-IR, ratio triglicéridos sobre HDL, y HbA1c. Cada una contribuye una pieza distinta del puzle, y la lectura conjunta es lo que diferencia entre fase compensada, fase descompensada incipiente y fase descompensada establecida.
Insulina, C-péptido y la diferencia que cambia el diagnóstico
El C-péptido es el fragmento conector de la proinsulina que se escinde simultáneamente con la formación de la insulina madura, en proporción molar 1:1. Esto significa que el C-péptido refleja secreción pancreática total, mientras que la insulina circulante refleja secreción menos primera-pasada hepática (donde se elimina aproximadamente el 50%). El C-péptido no se aclara por el hígado, tiene vida media más larga y es más estable analíticamente. Esta diferencia transforma el diagnóstico de tres estados metabólicos distintos que la insulina sola confunde.
| Fase metabólica | Insulina | C-péptido | Glucosa | Interpretación clínica |
|---|---|---|---|---|
| Sano | 2–6 µUI/mL | 0,9–2,0 ng/mL | 75–90 mg/dL | Sensibilidad y secreción preservadas |
| RI compensada temprana | 10–25 µUI/mL | 2,5–4,5 ng/mL | 85–100 mg/dL | Hiperinsulinemia con reserva pancreática intacta |
| Estrés secretor (derrame proinsulina) | 20–40 µUI/mL* | 3,5–5,0 ng/mL | 100–115 mg/dL | Ensayo puede inflar insulina; medir proinsulina si está disponible |
| Fallo β (burnout) incipiente | 5–10 µUI/mL | 0,9–1,5 ng/mL | 115–130 mg/dL | Pérdida de capacidad secretora bajo demanda elevada |
| Fallo β establecido | < 5 µUI/mL | < 0,9 ng/mL | > 126 mg/dL | Transición a insulino-dependencia (fenotipo similar a LADA) |
*Asterisco: en fase de estrés secretor con derrame de proinsulina, el ensayo RIA convencional puede dar valores que parecen muy altos por reactividad cruzada. El C-péptido en este escenario empieza a perder proporcionalidad con la insulina aparente.
La pregunta clínica clave que resuelve esta tabla es la siguiente: cuando la insulina cae, ¿es porque el sujeto ha mejorado la sensibilidad insulínica (bueno) o porque el páncreas ha empezado a fallar (malo)? Sin C-péptido la respuesta es ambigua. Con C-péptido la respuesta es directa: si el C-péptido se mantiene estable en valor medio mientras la insulina baja, la sensibilidad ha mejorado. Si el C-péptido también cae proporcionalmente, la secreción pancreática está declinando.
HOMA-IR: a clinical proxy for the euglycemic clamp / proxy clínico del clamp euglucémico
El Homeostatic Model Assessment of Insulin Resistance, descrito originalmente por Matthews y colaboradores en 1985, es un índice derivado matemáticamente de la glucosa e insulina en ayunas que aproxima la sensibilidad insulínica con coste clínico cero respecto al panel mínimo metabólico. La fórmula es:
HOMA-IR = (Insulina ayunas [µUI/mL] × Glucosa ayunas [mg/dL]) / 405
Si tu laboratorio reporta glucosa en mmol/L, el divisor es 22,5 en lugar de 405. La medición debe hacerse con ayuno estricto de 8-12 horas, sin ejercicio intenso en las 24 horas previas, sin estrés emocional agudo. Los rangos editoriales KRECE son: < 1,0 excelencia metabólica; 1,0–2,0 sano; 2,0–2,9 RI incipiente; > 3,0 RI franca. El HOMA-IR correlaciona con el clamp euglucémico hiperinsulinémico (gold standard de investigación) con r ≈ 0,80-0,88 en grandes cohortes, permitiendo estimación clínica accesible de sensibilidad insulínica.
El derrame de proinsulina: por qué un ensayo de insulina puede mentir
Bajo demanda secretora elevada y sostenida, la célula beta no tiene tiempo para procesar completamente la proinsulina con la enzima prohormona convertasa 1 (PC1) antes de liberarla. El resultado es secreción de proinsulina parcialmente procesada en proporción creciente respecto a insulina madura. Como muchos ensayos clínicos de insulina presentan reactividad cruzada con proinsulina, la insulina aparente puede sobreestimar la insulina activa real. En estos escenarios el patrón clínico es: insulina aparentemente muy alta con C-péptido que ha dejado de subir proporcionalmente, glucemia que empieza a elevarse y HOMA-IR que sigue creciendo. Es la fase de transición entre la compensación exitosa y el principio del fallo. Reconocerla clínicamente cambia el enfoque terapéutico: dejar de pensar en sensibilizar al receptor y empezar a pensar en proteger reserva pancreática.
Reversibilidad: lo que el estudio Counterpoint demostró sobre el «burnout» β-celular
Durante décadas se asumió que la fase de fallo de célula beta en diabetes tipo 2 era irreversible: muerte celular establecida. El estudio Counterpoint (Lim, Hollingsworth, Aribisala, Chen, Mathers, Taylor, Diabetologia 2011) demostró lo contrario. En 11 pacientes con diabetes tipo 2, una dieta hipocalórica intensa durante 8 semanas redujo la grasa ectópica hepática y pancreática significativamente, y la secreción de insulina y C-péptido se recuperó en semanas. La hipótesis del autor (Roy Taylor): el «burnout» pancreático es en gran medida dormancia funcional inducida por lipotoxicidad ectópica, no muerte celular irreversible. Resultados convergentes han emergido en estudios de cirugía bariátrica, donde la remisión de la diabetes ocurre en días a semanas post-procedimiento, antes de que la pérdida de peso significativa pueda explicar el efecto.
La implicación para edad biológica es contundente: la trayectoria metabólica no es unidireccional. Un sujeto en fase de fallo β incipiente con C-péptido cayendo no está condenado; la respuesta a intervención hipocalórica intensa o cirugía bariátrica puede revertir el patrón. Esto refuerza el caso editorial de KRECE de que el modelo de edad biológica se interpreta como trayectoria, no como veredicto.
Cistatina C: por qué la creatinina te miente y qué predice realmente
La creatinina lleva décadas siendo el marcador estándar de función renal. Su gran ventaja es accesibilidad universal y coste cero adicional dentro del perfil básico. Su gran limitación es que depende de masa muscular, ingesta proteica reciente y consumo de creatina monohidrato exógena. Esto genera un sesgo sistemático precisamente en el perfil de población más motivado para vigilar su edad biológica: deportistas, fuerza, suplementación con creatina, dieta proteica alta. La cistatina C resuelve este sesgo, y además aporta información sistémica que va más allá del riñón.
Creatinine, creatine and the lifter's blind spot
El lifter típico de mediana edad con dieta proteica de 1,8-2,2 g/kg y suplementación con 3-5 g/día de creatina monohidrato tiene creatinina sérica habitualmente por encima del rango de referencia poblacional. La fórmula CKD-EPI 2021 (sin coeficiente racial) basada en creatinina puede calcular un eGFR estimado por debajo de 90 mL/min/1,73 m², etiquetando al sujeto como estadio 2 de enfermedad renal crónica. En la inmensa mayoría de estos casos el riñón está perfectamente sano; el problema es el biomarcador.
El paciente recibe entonces un mensaje clínico de alarma injustificado o, peor, un manejo terapéutico que reduce ingesta proteica sin necesidad. La solución diagnóstica es ordenar cistatina C, recalcular eGFR con fórmula combinada CKD-EPIcr-cys 2021, y confirmar función renal real.
Cistatina C como medidor de filtrado limpio (free from muscle bias)
La cistatina C es una proteasa de bajo peso molecular producida a tasa relativamente constante por todas las células nucleadas del cuerpo. No es sintetizada específicamente por el músculo, no se ve influida por dieta proteica reciente, no responde a suplementación con creatina. Sus concentraciones séricas dependen casi exclusivamente del filtrado glomerular y de tasa de producción celular sistémica. Esto la convierte en un mejor estimador del verdadero filtrado glomerular para deportistas, sujetos con masa muscular atípicamente alta o baja, ancianos sarcopénicos y veganos con muy baja ingesta proteica.
El paper de referencia que cambió las guidelines fue Inker et al., NEJM 2021: nuevas ecuaciones CKD-EPI 2021 sin coeficiente racial, recomendando cistatina C confirmatoria en sujetos con eGFR-creatinina en zona de decisión clínica (60-90 mL/min/1,73 m²), y la ecuación combinada CKD-EPIcr-cys 2021 como más precisa cuando ambos biomarcadores están disponibles.
| Marcador | Rango óptimo longevidad | Influido por | Aplicación principal |
|---|---|---|---|
| Creatinina | 0,7–1,1 mg/dL (hombre); 0,6–0,9 mg/dL (mujer) | Masa muscular, dieta, creatina, hidratación | Cribado general; poco preciso en deportistas |
| Cistatina C | < 0,9 mg/L | Tasa de producción celular sistémica (modesta) | Confirmación eGFR en zona de decisión; deportistas |
| eGFR-CKD-EPIcr 2021 | > 90 mL/min/1,73 m² | Mismas variables que creatinina | Cribado universal de función renal |
| eGFR-CKD-EPIcys 2021 | > 90 mL/min/1,73 m² | Casi solo filtrado glomerular real | Confirmación más precisa |
| eGFR-CKD-EPIcr-cys 2021 | > 90 mL/min/1,73 m² | Combinación de ambos (gold standard clínico) | Decisión clínica final cuando ambos disponibles |
| ACR urinario | < 10 mg/g | Daño endotelial glomerular precoz | Marcador más temprano de daño renal |
Más allá del riñón: la cistatina C como ventana sistémica al endotelio
La cistatina C tiene un valor diagnóstico que excede su utilidad como marcador de filtrado. Elevaciones sutiles aparecen antes que las alteraciones convencionales de creatinina o ACR urinario, y se asocian con alteraciones tempranas de salud vascular y metabólica que el panel renal clásico no detecta. El paciente típico es el adulto de 45-55 años con cistatina C en 0,95-1,05 mg/L y creatinina perfectamente normal: el filtrado está en zona de declive incipiente pero por encima del umbral diagnóstico de enfermedad renal crónica. Esa elevación sutil acompañada de insulina basal modestamente alta, triglicéridos en límite superior y hsCRP en zona 1-3 mg/L cuenta una historia de strain metabólico-vascular emergente que ningún marcador individual contaría por si solo.
El eje ADMA/SDMA: por qué la cistatina C predice infartos independientemente del filtrado
El nexo mecanístico que conecta cistatina C con eventos cardiovasculares más allá del filtrado glomerular tiene un nombre: dimetilargininas. La dimetilarginina asimétrica (ADMA) y la simetrica (SDMA) son aminoacidos modificados que inhiben la enzima óxido nítrico sintasa (NOS). Cuando el aclaramiento renal se reduce sutilmente, ADMA y SDMA se acumulan en plasma, inhiben la producción endotelial de óxido nítrico, y desencadenan vasoconstricción y disfunción endotelial. La cistatina C, más sensible que la creatinina al declive precoz del filtrado, detecta esa fase mucho antes y por eso predice eventos cardiovasculares con poder estadístico independiente del eGFR clasico.
El dato cuantitativo más reciente y robusto viene del Chronic Kidney Disease Prognosis Consortium (CKD-PC), un meta-análisis colaborativo con datos de 860.966 individuos publicado en JAMA 2025. El hallazgo central: cuando el eGFR estimado por cistatina C es 30% inferior al eGFR estimado por creatinina (lo que se llama discordancia eGFRcys/eGFRcr < 0,7), los sujetos tienen tasas significativamente mayores de mortalidad por todas las causas, eventos cardiovasculares mayores y progresión a insuficiencia renal terminal. Esta asociación persiste tras ajustar por edad, sexo, tabaquismo, diabetes y eGFR-creatinina convencional. La cistatina C en este escenario funciona como un integrador de salud cardiometabólica más amplio, no sólo como medidor de riñón.
Conexión con homocisteina y resistencia insulínica
El deterioro renal sutil detectado por cistatina C tiene dos efectos sistémicos adicionales relevantes. Primero, eleva la homocisteina circulante (que se aclara parcialmente por filtrado glomerular), un factor de riesgo cardiovascular independiente que oxida partículas LDL y acelera aterogénesis. Segundo, conecta bidireccionalmente con resistencia insulínica: la hiperinsulinemia crónica acelera el declive renal subclínico vía estrés oxidativo y vía hemodinámica intrarrenal, y la reducción de filtrado a su vez agrava la resistencia insulínica al acumular uremic toxins que interfieren con señal insulínica periférica. Es el bucle que la trayectoria de cistatina C y HOMA-IR conjunta deja ver con claridad.
Posición editorial sobre cistatina C en edad biológica. La cistatina C no es «una creatinina mejor». Es un biomarcador con tres roles clínicos distintos: (1) estimador limpio del filtrado glomerular cuando la creatinina está sesgada por masa muscular o dieta; (2) marcador precoz de declive renal subclínico una década antes de que cualquier umbral clásico de enfermedad renal se cruce; (3) ventana sistémica al estado endotelial vía el eje ADMA/SDMA, prediciendo eventos cardiovasculares de forma independiente al filtrado real. En un sujeto de 40-55 años preocupado por longevidad, ordenar cistatina C una vez para baseline y repetir bianualmente es un coste clínico bajo con valor informacional alto. El cornerstone diagnóstico de disfunción mitocondrial y biomarcadores conecta este marco renal con el sistémico mitocondrial.
Edad biológica en embarazo: por qué los modelos blood-based no aplican
El embarazo modifica la mayoría de los biomarcadores que alimentan los modelos blood-based de edad biológica, y los modifica con magnitudes y direcciones que el algoritmo, entrenado en cohortes mayoritariamente no gestantes, interpreta como envejecimiento acelerado severo cuando en realidad reflejan adaptaciones fisiológicas eficientes para sostener al feto. Aplicar PhenoAge o Bortz a una gestante en tercer trimestre da resultados literalmente sin sentido clínico. Esta es una limitación del campo que rara vez se documenta de forma operativa, y que conviene cubrir con claridad.
Por qué los modelos blood-based fallan en gestación
El embarazo es un estado fisiológico con expansión del volumen plasmático de hasta el 50% al final del tercer trimestre, hemodilución consecuente de muchas proteínas plasmáticas, activación inmune controlada con elevación basal de PCR y leucocitos, aumento del filtrado glomerular fisiológico, descenso compensatorio de creatinina, secreción placentaria de hormonas y enzimas que entran al pool circulante materno, y una resistencia a la insulina progresiva inducida por hormonas placentarias (lactógeno placentario, progesterona, cortisol) que es necesaria para suministrar glucosa al crecimiento fetal. Cada uno de estos cambios, aisladamente, distorsionaría el output de un modelo de edad biológica. Combinados, lo invalidan completamente.
Albúmina, HbA1c y fosfatasa alcalina: las distorsiones que el algoritmo no entiende
Las cuatro distorsiones más relevantes para los modelos blood-based en embarazo, con magnitudes documentadas en literatura obstétrica estándar, son las siguientes.
| Biomarcador | Cambio en embarazo | Cómo lo lee el algoritmo | Interpretación correcta |
|---|---|---|---|
| Albúmina | ↓ 20-30% por hemodilución T2-T3 | Fragilidad, inflamación crónica | Dilución fisiológica por +50% volúmen plasmático |
| HbA1c | ↓ ~0,5% absoluto por recambio acelerado eritrocitario | Mejoría metabólica espuria | Vida media eritrocitaria reducida; SUBESTIMA la glucemia real |
| Fosfatasa alcalina (FA) | ↑ 2-4× en T3 por isoenzima placentaria | Daño óseo/hepático avanzado | FA placentaria masiva en T3; pedir isoenzima si dudas |
| PCR-us / leucocitos | ↑ basal moderada; pico en parto | Inflammaging acelerado | Inflamación controlada fisiológica para tolerancia inmune |
| Creatinina | ↓ 25-35% por aumento eGFR fisiológico | «Riñón joven» espurio | Hiperfiltración adaptativa; no traduce reserva renal real |
| Triglicéridos / colesterol | ↑ 25-300% en T3 | Dislipemia severa | Esteroidogénesis placentaria; no procede tratamiento |
| GDF-15 | ↑ masiva en T1 (especialmente en hiperémesis) | Estrés mitocondrial avanzado | Marcador secretado por trofoblasto; no envejecimiento |
El resultado práctico de meter la analitica de una gestante de 35 años en T3 al modelo PhenoAge es una estimación de edad biológica que puede situarse en 55-60 años de «riesgo» aparente. El sujeto está perfectamente sana; el algoritmo está mal aplicado al contexto.
Resistencia insulínica gestacional: cuando ser resistente es saludable
Quizás la distorsión más contraintuitiva para el clínico de longevidad es esta. Durante la segunda mitad del embarazo, la sensibilidad insulínica periférica de la gestante disminuye fisiológicamente. El HOMA-IR puede pasar de 1,2 antes del embarazo a 2,5-3,0 en tercer trimestre sin que esto sea patológico. El sentido biológico es claro: la resistencia insulínica materna deja más glucosa disponible para el feto, que la capta de manera independiente. Solo cuando la resistencia gestacional supera ciertos umbrales y se acompaña de fallo de compensación pancreática materna se desarrolla diabetes gestacional. La distinción clínica se establece mediante el test de O'Sullivan/SOG a las 24-28 semanas y no por aplicación directa del HOMA-IR pre-gestacional.
Cistatina C en embarazo: el biomarcador que sí permite leer trayectoria
Entre las distorsiones masivas de la mayoría de biomarcadores, hay una excepción relativa: la cistatina C tiende a elevarse modestamente en tercer trimestre, pero la magnitud del cambio es menor que la de creatinina, y el patrón es más estable y reproducible. En vigilancia obstétrica de gestantes con factores de riesgo (HTA crónica, antecedentes de pre-eclampsia, lupus, diabetes pre-gestacional), la cistatina C está siendo evaluada como marcador más sensible para detección precoz de pre-eclampsia que la creatinina o el ACR urinario aislados. Es uno de los pocos biomarcadores del modelo Bortz que mantiene cierta capacidad interpretativa en gestación.
Post-parto: la ventana de 4-6 meses antes de medir baseline serio
Casi todos los cambios bioquímicos del embarazo revierten en semanas-meses tras el parto. La hemodilución se corrige en 4-6 semanas. Los lipidos pueden tardar 3-4 meses en normalizarse, especialmente con lactancia activa. La fosfatasa alcalina placentaria desaparece del pool circulante en 4-8 semanas. La sensibilidad insulínica suele recuperarse en 2-3 meses pero su trayectoria depende fuertemente de pérdida de peso, lactancia, calidad de sueño (severamente comprometida en posparto inmediato) y carga inflamatoria de la herida quirúrgica si hubo cesárea. La recomendación editorial KRECE para mujeres que deseen establecer baseline de edad biológica seria es esperar al menos 4-6 meses post-parto, con preferencia por 6-12 meses si la lactancia es exclusiva. Antes de ese plazo el resultado refleja recuperación post-gestacional, no fisiología basal.
Preconcepción: medir antes para tener referencia después
El caso operativo más útil de los modelos blood-based en el contexto reproductivo es el preconcepcional. Una analitica completa con HOMA-IR, cistatina C, lipidos, ferritina, vitamina D, homocisteina y folato eritrocitario aproximadamente 3 meses antes de la concepción permite documentar baseline metabólico, identificar déficits modificables (vitamina D < 40 ng/mL, ferritina < 50 ng/mL, homocisteina > 9 µmol/L sugerentes de necesidad de metilfolato si MTHFR conocido) y establecer la referencia para comparar trayectoria post-parto. Los cornerstones KRECE sobre vitamina D en embarazo, ácido fólico y MTHFR en embarazo y hierro y anemia ferropénica en embarazo cubren los tres dominios más accionables en este periodo.
Regla editorial sobre edad biológica y embarazo. Los modelos blood-based de edad biológica (PhenoAge, Bortz, similares) no están validados en gestación y producen resultados sin sentido clínico aplicados en T2 o T3. Su uso en este contexto debe limitarse a baseline preconcepcional (medir 3 meses antes de buscar embarazo) y baseline post-parto tardío (esperar al menos 4-6 meses tras el parto, mejor 6-12 si lactancia exclusiva). Durante el embarazo, los biomarcadores se interpretan con rangos de referencia específicos de cada trimestre, no con algoritmos derivados de población general. La cistatina C es uno de los pocos marcadores con cierta utilidad en vigilancia obstétrica de alto riesgo.
De medición a acción: el bucle iterativo que cambia el número
El error conceptual más frecuente en testing de edad biológica es tratar el resultado como un veredicto puntual. Un test de PhenoAge a los 42 años que devuelve «edad biológica 38» no es un atestado. Es una señal direccional con margen de incertidumbre, susceptible de variar ±2-3 años entre mediciones consecutivas por ruido técnico, y solo cobra sentido clínico cuando se inserta en un bucle: medir → intervenir → re-medir → ajustar. Sin la pieza de re-medición programada, el testing es decorativo.
Por qué un solo resultado no sirve para nada
La variabilidad biológica intra-individuo de los biomarcadores que alimentan PhenoAge y Bortz no es trivial. Una infección viral subclínica de los últimos 10 días puede elevar PCR-us y recuento leucocitario lo suficiente para mover varios años el resultado. El ejercicio extenuante de las 48 horas previas puede elevar transitoriamente creatinina, AST y CK, alterando indirectamente el patrón. El estado de hidratación modifica la concentración aparente de muchos biomarcadores. La privación de sueño de la noche previa eleva cortisol y modifica el perfil metabólico al menos transitoriamente. Una analitica aislada captura un fotograma de una película. Tomar decisiones clínicas con un fotograma es invitación al sobrediagnóstico o, peor, al falso optimismo.
The iterative loop: measure, intervene, re-measure
El framework operativo mínimo viable de longevidad preventiva basado en edad biológica tiene cuatro fases.
Fase 1 — Baseline. Medir el panel completo en condiciones estandarizadas: ayuno estricto de 12 horas, sin ejercicio intenso 48 horas previas, sin alcohol 5-7 días previos, sin infección activa, idealmente entre 7:00 y 10:00 de la mañana para minimizar variación circadiana en cortisol, testosterona y otros marcadores con ritmo diurno marcado. Mismo laboratorio en todas las mediciones para minimizar drift inter-plataforma.
Fase 2 — Identificar palancas. Identificar las 2-3 palancas con mayor impacto potencial en la trayectoria. Si HOMA-IR es 2,8 y ApoB es 95 mg/dL, esas dos son las palancas; vitamina D en 32 ng/mL no es prioridad si esas dos están descompensadas. La regla operativa es perseguir desvíos de mayor a menor magnitud clínica, no perfeccionar marcadores ya en rango.
Fase 3 — Intervención estructurada. Aplicar protocolos con plazo y endpoint claro. Si la intervención para HOMA-IR es restricción calórica + entrenamiento de fuerza 4 días/semana + reducción de ultraprocesados, el plazo clínico para esperar respuesta documentable es 3-4 meses. Si la intervención para ApoB es estatina de potencia moderada, el plazo es 6-8 semanas. Sin plazo explícito de evaluación, la intervención se eterniza sin feedback.
Fase 4 — Re-medición y ajuste. Repetir las mediciones críticas en condiciones equivalentes a las del baseline. Comparar trayectoria, no valores aislados. Decidir continuar, escalar, sustituir o retirar la intervención. Volver a fase 2.
Cuándo retestar y cuándo no: la lógica de la pregunta clínica
La frecuencia óptima de retest depende del biomarcador y de si hay intervención activa modificando su trayectoria.
| Biomarcador | Adulto sano, sin intervención | Con intervención activa |
|---|---|---|
| Glucosa, insulina, HOMA-IR | Anual | Cada 3-4 meses |
| HbA1c | Anual | Cada 3 meses (vida media eritrocito ~120 días) |
| ApoB, lipidos | Anual | 6-8 semanas tras iniciar estatina/PCSK9i |
| hsCRP | Anual | Cada 3 meses si inflammaging activo |
| Cistatina C, eGFR | Anual | Cada 6 meses si zona de decisión clínica |
| Vitamina D | Bianual (sept, feb) | 3 meses tras iniciar dosis alta |
| PhenoAge / Bortz score | Anual si baseline serio | Anual si intervención longitudinal larga |
| DunedinPACE / GrimAge | No rutinario | Sólo si protocolo de investigación formal |
La regla clínica que aplica universalmente: cada retest debe responder a una pregunta concreta cuya respuesta cambia el manejo. Retestar HOMA-IR a las 3 semanas de iniciar un protocolo no responde a nada; insulina basal varía más entre el día 1 y el día 21 por puro ruido fisiológico que por efecto verdadero. Retestar a las 12-16 semanas sí permite distinguir señal de ruido.
Qué esperar cambiar en 3, 6 y 12 meses
Las expectativas realistas de cambio en biomarcadores ante intervención bien ejecutada se sitúan en los siguientes órdenes de magnitud.
| Plazo | HOMA-IR esperable | HbA1c esperable | ApoB esperable | Edad biológica |
|---|---|---|---|---|
| 3 meses | ↓ 30-50% si RI moderada | ↓ 0,3-0,5% | ↓ 30-50% con estatina | Cambio no detectable por ruido técnico |
| 6 meses | Estabilización en nuevo nivel | ↓ 0,5-1,0% | Estable en nuevo objetivo | ↓ 1-3 años si intervención severa |
| 12 meses | Trayectoria consolidada | ↓ 1,0-2,0% si DM2 reciente | Mantenimiento sostenido | ↓ 2-5 años documentables |
Estos rangos son orientativos. La respuesta individual varía por genética, adherencia, composición corporal de partida y comorbilidades. Cambios de mayor magnitud en plazos cortos suelen reflejar baseline patológico severo donde casi cualquier intervención produce regresión a la media. Cambios más modestos en sujetos ya en rango son lo normal y aun así clínicamente relevantes en horizonte de décadas. El cornerstone panel de carga alostática con 5 biomarcadores ofrece un marco alternativo, complementario, para operacionalizar este bucle desde el ángulo del coste acumulado del estrés.
Lo que el número NO te puede decir
Los modelos de edad biológica son herramientas estadísticas de asociación entre patrones bioquímicos y resultados clínicos en poblaciones. No miden envejecimiento directamente. No predicen el destino individual. Y tienen limitaciones intrínsecas que conviene tener presente antes de tomar decisiones clínicas o existenciales en función del resultado.
Probabilistic tool, not verdict / herramienta probabilística, no veredicto
Si tu PhenoAge devuelve 38 a los 42 años, la interpretación correcta no es «tengo 4 años menos». La interpretación correcta es que tu patrón bioquímico se sitúa en una zona poblacional asociada a menor riesgo de mortalidad a 10 años que el promedio de individuos de tu edad cronológica. Es información estadística de cohorte, no garantía individual. Hay sujetos con edades biológicas «jóvenes» que sufren eventos cardiovasculares precoces por factores que el modelo no captura (Lp(a) genéticamente elevada, factores familiares no medidos, accidentes vasculares en territorios anatómicos atípicos). Hay sujetos con edades biológicas «envejecidas» que viven hasta los 90 años con calidad de vida razonable. La distribución estadística importa; el individuo concreto es siempre un punto en esa distribución.
Variabilidad biológica y analítica: el ruido que sí importa
La estimación de edad biológica de un mismo individuo puede variar entre mediciones por dos fuentes de ruido. La variabilidad biológica intra-sujeto refleja oscilaciones reales del estado bioquímico: ciclos circadianos, fase del ciclo menstrual en mujeres, infecciones subclínicas, calidad de sueño reciente, ejercicio agudo. La variabilidad analítica refleja diferencias entre plataformas de medición, lotes de reactivo, drift de calibración entre laboratorios. La suma de ambas puede mover el resultado entre 2 y 4 años entre mediciones consecutivas en condiciones supuestamente equivalentes. Esto significa que diferencias de 1-2 años entre mediciones consecutivas no son interpretables clínicamente: son ruido. Cambios significativos requieren magnitud y dirección consistente a lo largo de varias mediciones en al menos 9-12 meses.
La paradoja hispánica y los límites de la generalización
La epidemiología observacional ha documentado un fenómeno recurrente: las poblaciones hispanas en USA tienen perfiles cardiometabólicos a menudo más adversos que los anglosajones (mayor prevalencia de adiposidad central, resistencia insulínica, hipertensión) pero esperanza de vida similar o superior. Esto se conoce como la paradoja hispánica. Su impacto en modelos de edad biológica entrenados mayoritariamente en cohortes caucasoeuropeas (como UK Biobank en Bortz, o NHANES con representación hispánica pero no proporcional para entrenar parámetros) es que estos modelos pueden sobreestimar el riesgo en poblaciones hispanas si su biología basal del envejecimiento difiere de la cohorte de entrenamiento. La validación externa en cohortes latinoamericanas y españolas está en fase incipiente. Mientras tanto, los modelos se aplican a poblaciones distintas a las que los entrenaron, y este es un límite epistemológico real. El marco teórico sobre los límites de generalización de modelos de envejecimiento está en el cornerstone Teoría Informacional del Envejecimiento (ITOA).
Marker of risk vs treatable target: dos preguntas que no son lo mismo
Un biomarcador puede predecir mortalidad excelentemente sin que tratarlo modifique esa mortalidad. La diferencia entre marker of risk y treatable target es central en medicina preventiva basada en evidencia y rara vez se explica en el lenguaje comercial.
ApoB es ambos: predice eventos cardiovasculares y bajarla farmacológicamente (estatinas, ezetimiba, inhibidores PCSK9) reduce eventos en RCT sólidos. Es marker y treatable target. GDF-15 es solo lo primero: predice mortalidad por todas las causas en grandes cohortes pero no existe terapia validada para bajarla, y su elevación probablemente refleja respuesta adaptativa al estrés mitocondrial más que daño tratable. Es marker, no treatable target. Los relojes epigenéticos están en zona gris: hay intervenciones que reducen la edad estimada (cambios de dieta, ejercicio, ciclos de fasting-mimicking diet), pero la conexión causal entre esa reducción y un cambio real en mortalidad o morbilidad sigue pendiente de RCT con seguimiento largo.
La distinción cambia el manejo clínico. Para un marker treatable target, el modelo de edad biológica que lo incluye genera intervención procesable. Para un marker solo of risk, el modelo aporta información pronóstica pero no terapéutica directa. Distinguir entre las dos categorías evita el sobre-testing y la cascada de intervenciones sin evidencia.
El número no captura tu vida
Tu edad biológica estimada en 38 a los 42 años no garantiza salud cognitiva, función musculoesquelética, autonomía en la vejez, calidad de relaciones sociales, satisfacción vital ni protección frente a accidentes. La salud en sentido amplio — healthspan — incluye dimensiones que ningún algoritmo blood-based captura: fuerza muscular, capacidad cardiovascular funcional medida por VO2max, densidad ósea, integridad cognitiva, conexión social, propósito vital. El número del laboratorio es una pieza de información, no el mapa completo. La medicina de longevidad bien entendida no maximiza un score; optimiza un sistema integrado del que el score es un componente.
El modelo Bortz es la mejor herramienta blood-based actual, pero sigue siendo un estimador estadístico de riesgo, no una medición directa de envejecimiento. La insulina ayunas y el C-péptido completan el modelo. La cistatina C es ventana sistémica. En embarazo, no aplica.
Este artículo es contenido editorial. No sustituye al criterio médico individualizado. Los rangos óptimos descritos son orientativos basados en la mejor evidencia disponible a mayo de 2026; la interpretación de cada biomarcador y la decisión de solicitar tests de edad biológica deben hacerse en contexto clínico individual por un facultativo. Las publicaciones primarias citadas (Levine 2018 PhenoAge, Bortz et al. 2023 Communications Biology, Tabák Whitehall II 2009, Inker NEJM 2021 CKD-EPI race-free, Lim/Taylor Counterpoint 2011, Estrella CKD-PC JAMA 2025, Hollis-Wagner 2015) han sido verificadas en fuentes originales en mayo de 2026. Los modelos de edad biológica blood-based no están validados en embarazo y su aplicación en gestantes produce resultados sin sentido clínico; el contenido de la sección 06 es información editorial sobre por qué el modelo no aplica, no recomendación de uso. Las guías clínicas mencionadas (CKD-EPI 2021, ATA 2017, ESC/EAS) cambian periódicamente; recomendamos al clínico verificar versión vigente al aplicar este marco.
- Bortz J, Guariglia A, Klaric L, Tang D, Ward P, Geer M, Chadeau-Hyam M, Vuckovic D, Joshi PK. Biological age estimation using circulating blood biomarkers. Communications Biology. 2023;6:1089. doi:10.1038/s42003-023-05456-z. PMID: 37884697.
- Levine ME, Lu AT, Quach A, Chen BH, Assimes TL, Bandinelli S, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging (Albany NY). 2018;10(4):573-591. doi:10.18632/aging.101414. PMID: 29676998.
- Tabák AG, Jokela M, Akbaraly TN, Brunner EJ, Kivimäki M, Witte DR. Trajectories of glycaemia, insulin sensitivity, and insulin secretion before diagnosis of type 2 diabetes: an analysis from the Whitehall II study. Lancet. 2009;373(9682):2215-2221. doi:10.1016/S0140-6736(09)60619-X. PMID: 19515410.
- Inker LA, Eneanya ND, Coresh J, Tighiouart H, Wang D, Sang Y, et al. New Creatinine- and Cystatin C-Based Equations to Estimate GFR without Race. New England Journal of Medicine. 2021;385:1737-1749. doi:10.1056/NEJMoa2102953.
- Lim EL, Hollingsworth KG, Aribisala BS, Chen MJ, Mathers JC, Taylor R. Reversal of type 2 diabetes: normalisation of beta cell function in association with decreased pancreas and liver triacylglycerol. Diabetologia. 2011;54(10):2506-2514. doi:10.1007/s00125-011-2204-7. PMID: 21656330.
- Matthews DR, Hosker JP, Rudenski AS, Naylor BA, Treacher DF, Turner RC. Homeostasis model assessment: insulin resistance and beta-cell function from fasting plasma glucose and insulin concentrations in man. Diabetologia. 1985;28(7):412-419. doi:10.1007/BF00280883. PMID: 3899825.
- Shanik MH, Xu Y, Skrha J, Dankner R, Zick Y, Roth J. Insulin resistance and hyperinsulinemia: is hyperinsulinemia the cart or the horse?. Diabetes Care. 2008;31(Suppl 2):S262-S268. doi:10.2337/dc08-s264. PMID: 18227495.
- Chronic Kidney Disease Prognosis Consortium. Discordance Between Cystatin C– and Creatinine–Based Estimated GFR and Cardiorenal Outcomes: An Individual Participant Data Meta-Analysis. JAMA. 2025. (CKD-PC, n=860.966).
- Hollis BW, Wagner CL, Howard CR, Ebeling M, Shary JR, Smith PG, et al. Maternal Versus Infant Vitamin D Supplementation During Lactation: A Randomized Controlled Trial. Pediatrics. 2015;136(4):625-634. doi:10.1542/peds.2015-1669.
- Fahy GM, Brooke RT, Watson JP, Good Z, Vasanawala SS, Maecker H, et al. Reversal of epigenetic aging and immunosenescent trends in humans. Aging Cell. 2019;18(6):e13028. doi:10.1111/acel.13028. PMID: 31496122.
- Fitzgerald KN, Hodges R, Hanes D, Stack E, Cheishvili D, Szyf M, et al. Potential reversal of epigenetic age using a diet and lifestyle intervention: a pilot randomized clinical trial. Aging (Albany NY). 2021;13(7):9419-9432. doi:10.18632/aging.202913. PMID: 33844651.
- Belsky DW, Caspi A, Corcoran DL, Sugden K, Poulton R, Arseneault L, et al. DunedinPACE, a DNA methylation biomarker of the pace of aging. eLife. 2022;11:e73420. doi:10.7554/eLife.73420.
- Lu AT, Quach A, Wilson JG, Reiner AP, Aviv A, Raj K, et al. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY). 2019;11(2):303-327. doi:10.18632/aging.101684.
- Moqri M, Herzog C, Poganik JR, Justice J, Belsky DW, Higgins-Chen A, et al. Biomarkers of aging for the identification and evaluation of longevity interventions. Cell. 2023;186(18):3758-3775. doi:10.1016/j.cell.2023.06.022.
- Visseren FLJ, Mach F, Smulders YM, Carballo D, Koskinas KC, Bäck M, et al. 2021 ESC Guidelines on cardiovascular disease prevention in clinical practice. European Heart Journal. 2021;42(34):3227-3337. doi:10.1093/eurheartj/ehab484.
- Alexander EK, Pearce EN, Brent GA, Brown RS, Chen H, Dosiou C, et al. 2017 Guidelines of the American Thyroid Association for the Diagnosis and Management of Thyroid Disease During Pregnancy and the Postpartum. Thyroid. 2017;27(3):315-389. doi:10.1089/thy.2016.0457.
- Brandhorst S, Choi IY, Wei M, Cheng CW, Sedrakyan S, Navarrete G, et al. Fasting-mimicking diet causes hepatic and blood markers changes indicating reduced biological age and disease risk. Nature Communications. 2024;15:1309. doi:10.1038/s41467-024-45260-9.
- UK Biobank. UK Biobank Resource (approved application 69634, dataset usado en Bortz et al. 2023). ukbiobank.ac.uk.