La IA de vídeo facial detecta hipertensión y diabetes, pero no es un diagnóstico

Google News ha destacado una llamativa afirmación sobre IA médica: un vídeo facial de cinco segundos identificó la hipertensión con un 90,3 % de precisión y la diabetes con un 81,2 %. Investigadores de la Universidad de Tokio y del Institute of Science Tokyo presentaron los últimos resultados en el Congreso de la Sociedad Europea de Cardiología el 29 de agosto de 2026.

La promesa es fácil de entender. Una persona mira a una cámara, un algoritmo analiza cambios casi invisibles en el flujo sanguíneo de la piel y el sistema señala una posible enfermedad crónica. En esa interacción no se utiliza ni un tensiómetro ni una extracción de sangre.

La cuestión más difícil es si un sistema de investigación controlado puede convertirse en una herramienta de cribado fiable fuera del laboratorio. El estudio incluyó a 215 participantes en un solo centro y utilizó una cámara espectroscópica especializada. Sus estimaciones de presión arterial tampoco cumplieron un criterio clave de variabilidad para dispositivos médicos.

Esa tensión importa más que las cifras de precisión de los titulares. La investigación refuerza el argumento a favor del cribado de salud sin contacto, pero no convierte un vídeo facial convencional en un diagnóstico. También sitúa los sistemas basados en cámaras en conflicto directo con las mediciones clínicas convencionales, que siguen siendo menos cómodas pero están mucho mejor validadas.

Lo que realmente encontró el estudio de vídeo facial

El avance comunicado es un método rápido de cribado de riesgos, no un sustituto del tensiómetro ni de una prueba de laboratorio.

El estudio prospectivo reclutó a 215 pacientes diagnosticados y voluntarios sanos en un único centro japonés. Los investigadores grabaron vídeos breves del rostro y las palmas de cada participante con una cámara espectroscópica de alta velocidad. Las evaluaciones clínicas convencionales proporcionaron los resultados de referencia para hipertensión y diabetes.

Una cámara espectroscópica registra luz en múltiples longitudes de onda, lo que permite al software examinar información de color que una imagen estándar quizá no conserve. El sistema captó cambios sutiles asociados al flujo de sangre a través de la piel. Informaciones anteriores sobre el proyecto indicaban que la cámara funcionaba a 150 fotogramas por segundo.

A continuación, un algoritmo de aprendizaje automático analizó tres grupos principales de señales. Entre ellos figuraban la dinámica de las ondas de pulso, los patrones de flujo sanguíneo en la piel y las características espectrales del color de la piel. La dinámica de las ondas de pulso describe cómo viajan las ondas de presión por las arterias y puede contener información relacionada con la rigidez arterial.

Los últimos resultados de vídeo facial ofrecieron cifras separadas según la duración de la grabación y la condición. Una grabación de 30 segundos identificó la hipertensión con un 95,0 % de precisión. Su sensibilidad fue del 89,2 % para la hipertensión, mientras que su sensibilidad para la presión arterial normal fue del 100,0 %.

Reducir la grabación a cinco segundos redujo la precisión para hipertensión al 90,3 %. Para la diabetes, el algoritmo alcanzó un 88,2 % de precisión con un vídeo de 30 segundos y un 81,2 % con uno de cinco segundos.

La precisión por sí sola no revela cómo se comporta una prueba en diferentes poblaciones o niveles de prevalencia de la enfermedad. También puede combinar resultados positivos y negativos correctos en una sola cifra atractiva. La sensibilidad, la especificidad, los valores predictivos y el rendimiento por subgrupos son esenciales al evaluar un sistema de cribado.

El estudio también probó si el vídeo facial podía estimar la presión arterial sistólica sin manguito. La presión sistólica es el número superior en una lectura de presión arterial y representa la presión arterial cuando el corazón se contrae.

El error porcentual absoluto medio fue del 8,6 %. El error medio fue de menos 2,6 mmHg, lo que significa que, de media, las estimaciones fueron ligeramente inferiores a las mediciones de referencia.

Sin embargo, la desviación estándar del error fue de 12,0 mmHg. Esto superó el criterio de 8,0 mmHg comentado en el anuncio del estudio. Por tanto, un error medio pequeño puede coexistir con errores considerables en mediciones individuales.

El resultado de la tecnología para diabetes también es más limitado de lo que podría sugerir la frase «detecta la diabetes». El algoritmo clasificó patrones asociados con participantes que tenían diabetes de tipo 1 o de tipo 2. No midió directamente la glucosa, la hemoglobina glucosilada ni el proceso biológico que distingue los tipos de diabetes.

Esta distinción debería orientar toda interpretación del titular de Google News. El sistema reconoció señales asociadas a enfermedades en un pequeño conjunto de datos clínicos. No demostró que una cámara de consumo pueda diagnosticar de forma independiente ninguna de las dos condiciones.

Por qué la atención de Google News importa para el cribado sin contacto

El estudio aborda una enorme brecha de cribado, lo que explica por qué un pequeño proyecto clínico puede atraer atención global.

La hipertensión a menudo no produce síntomas evidentes. Según las cifras sobre hipertensión, 1.400 millones de adultos de entre 30 y 79 años padecían esta condición en 2024. Unos 600 millones no sabían que la tenían, mientras que solo el 23 % la mantenía bajo control.

La diabetes plantea otro gran reto de detección y gestión. Las estimaciones globales de diabetes sitúan la población afectada en 589 millones de adultos de entre 20 y 79 años en 2024. Esto representaba el 11,11 % de los adultos en el rango de edad medido.

Ambas condiciones elevan el riesgo cardiovascular, pero el cribado rutinario sigue dependiendo de que las personas accedan a equipos adecuados y atención capacitada. La medición de la presión arterial requiere un manguito apropiado, una posición correcta y lecturas repetidas. El diagnóstico de diabetes suele requerir análisis de sangre.

Una comprobación basada en cámara cambia el primer paso de ese proceso. El cribado podría realizarse en un quiosco de farmacia, una clínica laboral, una cita de telesalud o un evento comunitario de salud. Un resultado sospechoso podría dirigir a alguien hacia pruebas estándar.

Ryoko Uchida, presentadora del estudio e investigadora de la Universidad de Tokio, describió el cribado sin contacto en entornos cotidianos como el objetivo del proyecto. Esa formulación es importante porque el cribado y el diagnóstico cumplen funciones diferentes.

El cribado prioriza el alcance e identifica a las personas que deberían recibir una evaluación adicional. El diagnóstico determina si una persona tiene una condición utilizando criterios clínicos aceptados. Una herramienta de cribado útil puede tolerar cierta incertidumbre si su vía de seguimiento evita enfermedades no detectadas y tratamientos innecesarios.

El resultado de cinco segundos añade atractivo práctico. Treinta segundos ya es poco tiempo, pero incluso ese intervalo se vuelve exigente cuando cambia la iluminación, los sujetos se mueven o cientos de personas esperan. Una grabación de cinco segundos encaja de forma más natural en mostradores de registro, flujos de trabajo móviles y estaciones públicas de cribado.

La tecnología también evita el contacto directo. Esta característica puede reducir los requisitos de limpieza de los equipos compartidos y ayudar a las personas a quienes no les gustan los manguitos o las agujas. Podría mejorar la participación de quienes evitan los exámenes médicos ordinarios.

Sin embargo, una menor fricción crea su propio riesgo. Las personas pueden tratar un resultado de cámara sin esfuerzo como definitivo porque la interfaz parece inmediata y objetiva. Un falso negativo podría generar tranquilidad, mientras que un falso positivo podría causar angustia o seguimiento innecesario.

La amplificación de Google News, por tanto, ejerce presión sobre investigadores, fabricantes de dispositivos, clínicos y reguladores al mismo tiempo. Los investigadores deben validar la señal más allá de su centro original. Los fabricantes de dispositivos deben definir qué hardware se requiere. Los clínicos deben decidir cómo se integran los resultados en la atención, mientras que los reguladores deben determinar qué afirmaciones necesitan revisión como dispositivo médico.

La presión también se extiende a las empresas de electrónica de consumo. Los fabricantes de smartphones y wearables llevan años añadiendo mediciones de bienestar a los dispositivos cotidianos. Un escaneo facial fiable reduciría la dependencia de sensores físicos, pero también exigiría una calibración cuidadosa y afirmaciones médicas más estrictas.

La oportunidad es un acceso amplio. La responsabilidad es evitar que un atajo de cribado se convierta en un atajo de diagnóstico.

El mecanismo convierte los cambios de color de la piel en señales de riesgo

El algoritmo no reconoce la diabetes ni la hipertensión por la apariencia facial; analiza cambios de luz vinculados a la circulación.

La técnica central pertenece al campo más amplio de la fotopletismografía. La fotopletismografía convencional utiliza luz para seguir cambios de volumen sanguíneo cerca de la piel, a menudo mediante un sensor en contacto con un dedo o una muñeca.

La fotopletismografía remota, habitualmente abreviada como rPPG, extrae señales de pulso relacionadas a partir de vídeo sin contacto directo. Cada latido produce pequeñas variaciones en el volumen de sangre. Esas variaciones cambian ligeramente cómo la piel absorbe y refleja la luz.

Una cámara registra una secuencia de fotogramas en lugar de una sola fotografía. El software aísla regiones adecuadas de piel y sigue sus valores de color a lo largo del tiempo. Después, los métodos de procesamiento de señales separan el patrón relacionado con el pulso del ruido provocado por el movimiento, la iluminación, la compresión y el comportamiento de la cámara.

El sistema japonés va más allá de una implementación básica con cámara de consumo. Su cámara espectroscópica registra información de longitudes de onda y utiliza captura de alta velocidad. El modelo analizó tanto el rostro como las palmas para obtener su resultado más sólido sobre hipertensión.

Las ondas de pulso no llegan a todos los lugares exactamente al mismo tiempo. Su sincronización y forma reflejan propiedades del sistema cardiovascular, incluida la rigidez arterial. El algoritmo utiliza estas diferencias espaciales y temporales como características relacionadas con la presión arterial.

La detección de diabetes sigue una vía menos directa. La diabetes puede afectar los vasos sanguíneos pequeños, la circulación y las características de los tejidos. El modelo busca combinaciones de patrones de flujo sanguíneo y espectrales asociados a participantes diagnosticados.

La asociación no es una medición bioquímica directa. Una prueba de glucosa en sangre mide la concentración de glucosa, mientras que una prueba de HbA1c estima la exposición media a la glucosa a lo largo de varios meses. En cambio, un clasificador de vídeo facial estima si las características captadas se parecen a patrones encontrados en sus datos de entrenamiento.

Esta diferencia crea el principal conflicto del artículo. El cribado con cámara ofrece velocidad y escala, mientras que las pruebas clínicas estándar proporcionan vínculos más claros con las cantidades que los médicos utilizan para el tratamiento.

El proyecto ha evolucionado desde su presentación pública inicial en 2024. En esa etapa, un resumen de estudio inicial describía una cámara de alta velocidad que grababa el rostro y las palmas durante entre cinco y 30 segundos.

Ese informe preliminar indicaba que el sistema tenía una precisión del 94 % al detectar hipertensión de estadio 1 según el umbral de la American Heart Association utilizado en el análisis. Una configuración de 30 segundos detectó presión superior a la normal con un 86 % de precisión, mientras que una versión de cinco segundos alcanzó el 81 %.

La presentación de 2026 añade resultados más detallados sobre hipertensión y nuevas cifras de precisión para diabetes. También revela la variabilidad de la estimación de presión arterial que debe mejorar antes de un uso más amplio.

Los investigadores afirman que los trabajos futuros utilizarán conjuntos de datos más amplios y multicéntricos, así como optimización de características. También quieren que el sistema funcione con cámaras de smartphones convencionales y mida de forma continua, incluso durante el sueño.

Estos objetivos implican problemas de ingeniería independientes. Una cámara de teléfono estándar suele capturar menos fotogramas y menos información espectral que el hardware de investigación. Los vídeos de consumo también se enfrentan a iluminación no controlada, procesamiento de cámara, compresión de red y movimiento.

La medición continua crea más complicaciones. Una grabación de cinco segundos mientras se está sentado es diferente de monitorizar a alguien que habla, camina, gira o duerme. Las señales fisiológicas también cambian con el estrés, la temperatura, la medicación, la postura y la actividad reciente.

El mecanismo es científicamente plausible porque el video puede recuperar información relacionada con el pulso. La cuestión no resuelta es si un modelo entrenado puede separar las señales de enfermedad de todos los factores habituales que alteran el flujo sanguíneo de la piel.

Las cámaras especializadas aún deben superar la realidad clínica

El resultado de laboratorio más sólido depende de hardware y condiciones que los usuarios comunes todavía no tienen.

Un estudio realizado en un único centro puede establecer la viabilidad, pero no puede demostrar un rendimiento fiable en distintos sistemas de salud. Los 215 participantes podrían no representar las edades, características de la piel, medicamentos, comorbilidades y entornos presentes en los programas de cribado a gran escala.

Los investigadores no han proporcionado públicamente todos los resultados por subgrupos en el anuncio de la conferencia. Eso deja preguntas importantes sobre el rendimiento en distintos tonos de piel, sexos biológicos, rangos de edad y diferentes formas de diabetes.

Los sistemas ópticos pueden comportarse de manera diferente porque la pigmentación de la piel y la iluminación afectan a la luz reflejada. El maquillaje, el vello facial, las cicatrices, la transpiración y el movimiento también pueden alterar la señal registrada. La imagen espectroscópica puede ayudar a separar longitudes de onda, pero la adopción por parte de los consumidores depende de hardware más económico.

El sesgo de selección plantea otra preocupación. Los pacientes diagnosticados en un estudio clínico pueden diferir claramente de los voluntarios sanos. Las poblaciones reales de cribado incluyen casos límite, afecciones no diagnosticadas, múltiples medicamentos y riesgos cardiovasculares superpuestos.

Un modelo puede aprovechar correlaciones no intencionadas si esos factores difieren entre los grupos del estudio. Podría asociar un efecto de medicación, una distribución de edad o una condición de grabación con la etiqueta de enfermedad. La validación multicéntrica ayuda a revelar si esas correlaciones se mantienen en otros lugares.

La categoría de diabetes combina las enfermedades de Tipo 1 y Tipo 2, aunque tienen causas distintas. La diabetes Tipo 1 implica la destrucción autoinmune de las células productoras de insulina. La diabetes Tipo 2 implica principalmente resistencia a la insulina y disfunción metabólica progresiva.

Una señal vascular podría reflejar consecuencias compartidas por ambos grupos, pero no explica el tipo de enfermedad. También podría solaparse con otras afecciones que afectan a la circulación. La especificidad frente a esos factores de confusión será importante en futuros ensayos.

La estimación de la presión arterial se enfrenta a un estándar especialmente exigente. El error sistólico medio del estudio cumplió el límite de error medio indicado, pero su desviación estándar de 12.0 mmHg superó el criterio citado de 8.0 mmHg.

El marco conjunto de AAMI, la European Society of Hypertension y la ISO utiliza una diferencia media no superior a 5 mmHg y una desviación estándar no superior a 8 mmHg como criterio principal de validación. El marco de validación publicado también hace hincapié en muestras y comparaciones estandarizadas.

La diferencia entre el error medio y la dispersión del error es crucial. Imaginemos una estimación 12 mmHg demasiado alta y otra 12 mmHg demasiado baja. Su error medio es cero, pero ninguno de los dos resultados es satisfactorio para ese usuario.

Por eso un porcentaje de precisión no puede resolver la cuestión. Un clasificador de cribado pregunta si alguien pertenece a una categoría de riesgo. Un dispositivo de medición debe producir valores lo bastante precisos para su interpretación clínica en la población objetivo.

Los reguladores están prestando más atención a las mediciones sin manguito. La US Food and Drug Administration ha advertido a los consumidores que no confíen en productos no autorizados que afirman medir o estimar la presión arterial.

La advertencia de seguridad sobre dispositivos de la agencia señala que las lecturas inexactas pueden retrasar el tratamiento o hacer que se omita atención necesaria. Recomienda usar un dispositivo autorizado cuando las decisiones médicas dependen de la precisión.

Esa advertencia no evalúa este sistema de investigación. Muestra el estándar al que se enfrentaría cualquier versión comercial una vez que sus afirmaciones influyan en el diagnóstico, el tratamiento o la monitorización.

Por tanto, el competidor inmediato no es otra empresa de IA. Es la vía clínica establecida de manguitos validados, mediciones repetidas y pruebas de laboratorio. Esa vía tiene fricción, pero sus limitaciones se conocen.

Un sistema de cámara debe demostrar que su comodidad no oculta una incertidumbre inaceptable. Hasta entonces, su mejor función es dirigir a las personas hacia una evaluación convencional, no sustituirla.

Lo que no muestran las cifras de precisión de los titulares

Las cifras principales del estudio describen el rendimiento en un conjunto de datos, no la probabilidad de que cualquier resultado de cámara sea correcto para una persona concreta.

Una cifra de precisión del 81.2% para la diabetes parece intuitiva, pero su significado práctico depende de la población analizada. Si cambia la prevalencia de la enfermedad, la proporción de resultados positivos que reflejan enfermedad real puede cambiar drásticamente.

Supongamos que un programa de cribado examina una población en la que relativamente pocas personas tienen diabetes no diagnosticada. Incluso una prueba con sensibilidad y especificidad respetables puede producir más falsos positivos de lo esperado. Esas personas aún necesitan análisis de sangre para determinar su estado.

El problema inverso importa en los falsos negativos. Una persona con hipertensión podría recibir un resultado tranquilizador y posponer una medición validada. Ese riesgo se vuelve más grave cuando un producto presenta su resultado sin incertidumbre ni orientación de seguimiento.

Los anuncios de conferencias también proporcionan menos detalle metodológico que los artículos completos revisados por pares. El material actual no explica por completo las divisiones del conjunto de datos, los procedimientos de entrenamiento del modelo, los intervalos de confianza, la selección de umbrales ni la validación externa.

No está claro si la precisión comunicada procedía de participantes completamente separados del desarrollo del modelo. La separación a nivel de sujeto es esencial porque varias grabaciones de una misma persona pueden compartir características muy reconocibles.

Las etiquetas también merecen escrutinio. La hipertensión no se diagnostica a partir de una única lectura casual. Las definiciones clínicas utilizan mediciones repetidas bajo condiciones controladas, y los umbrales varían entre guías y entornos.

Las etiquetas de diabetes requieren pruebas bioquímicas aceptadas e interpretación clínica. Un escaneo facial no puede determinar si alguien necesita tratamiento sin esas mediciones de referencia. Tampoco puede sustituir la evaluación de síntomas, antecedentes médicos o complicaciones agudas.

El enfoque de Google News puede comprimir estas distinciones en una historia simple sobre IA que detecta dos enfermedades a partir de un rostro. El trabajo real es más preciso y más limitado. Prueba si las señales ópticas de circulación pueden clasificar afecciones ya identificadas mediante una evaluación convencional.

La privacidad introduce otra incertidumbre. Un video facial es a la vez dato fisiológico e imagen potencialmente identificable. Un sistema desplegado necesitaría reglas claras sobre almacenamiento, transmisión, uso secundario, eliminación y entrenamiento de modelos.

El procesamiento local podría reducir la exposición, pero el análisis espectral de alta velocidad podría requerir inicialmente equipos especializados o computación centralizada. El procesamiento en la nube genera una mayor carga de seguridad y gobernanza.

Los desarrolladores también deben separar el reconocimiento de identidad del análisis de salud. Un sistema de cribado no necesita identificar el rostro de una persona para medir señales de la piel. Conservar video reconocible sin una necesidad clínica crearía un riesgo evitable.

Las pruebas de sesgo deben ir más allá de una única comparación de tonos de piel. La iluminación, el hardware de la cámara, los ajustes de compresión, las coberturas faciales, la edad y la gravedad de la enfermedad pueden interactuar. La validación debería informar tanto de los fallos como de las lecturas exitosas.

Un sistema que se niega a generar un resultado en condiciones difíciles puede ser más seguro que uno que siempre devuelve una puntuación aparentemente segura. Sin embargo, tasas elevadas de fallo podrían excluir a las poblaciones a las que el cribado sin contacto pretende llegar.

El diseño del flujo de trabajo clínico es tan importante como la precisión del modelo. Un resultado positivo necesita un siguiente paso definido, como una lectura con manguito validado o una prueba de laboratorio. Un resultado negativo necesita un lenguaje que no desincentive la atención rutinaria.

El equipo del estudio ha presentado apropiadamente el uso de smartphones como trabajo futuro. Cualquier versión para consumidores debería evaluarse como una nueva implementación porque cambiar la cámara cambia los datos.

Pasar de video espectral de 150 fotogramas por segundo a una cámara frontal común no es un simple ejercicio de empaquetado. Cambia la resolución de longitud de onda, la resolución temporal, el ruido y el comportamiento de exposición. El modelo puede necesitar nuevo entrenamiento y una validación clínica renovada.

La interpretación responsable es esperanzadora, pero limitada. Los hallazgos justifican ensayos más amplios de cribado sin contacto. No justifican diagnosticar hipertensión o diabetes a partir de una selfie tomada con un teléfono hoy.

Tres señales mostrarán si la IA de video facial puede salir del laboratorio

La siguiente fase depende de la validación externa, el rendimiento con cámaras de consumo y un caso de uso clínico regulado.

La primera señal es una publicación completa revisada por pares con validación transparente. Los investigadores deben informar de intervalos de confianza, características de los participantes, definiciones de enfermedad, métodos de desarrollo del modelo y separación de pruebas a nivel de sujeto.

Un estudio multicéntrico debería incluir instituciones con equipos, poblaciones de pacientes y rutinas clínicas diferentes. Un rendimiento sólido en esos centros reduciría la probabilidad de que el modelo haya aprendido señales exclusivas de un único centro.

Los resultados por subgrupos deberían abarcar edad, sexo, pigmentación de la piel, uso de medicamentos y comorbilidades relevantes. Los investigadores también deberían publicar la tasa a la que el sistema no puede producir un resultado utilizable.

Esta evidencia reforzaría la afirmación de que los patrones de flujo sanguíneo facial se generalizan. Un gran descenso fuera del centro original sugeriría que la precisión actual refleja condiciones controladas o correlaciones específicas del conjunto de datos.

La segunda señal es el rendimiento con cámaras de consumo comunes. Un informe útil debería identificar el hardware compatible, las tasas mínimas de fotogramas, los requisitos de iluminación, la duración de la grabación y si el procesamiento ocurre localmente.

La versión para smartphone debería compararse directamente con la cámara espectroscópica. Los investigadores deben demostrar cuánta precisión se pierde al eliminar la información espectral y de alta velocidad.

Las pruebas independientes deberían incluir distintos modelos de teléfono y flujos de procesamiento de cámara. Los fabricantes aplican métodos distintos de reducción de ruido, corrección de color, exposición y compresión, todos capaces de alterar las señales fisiológicas.

Una validación exitosa con cámaras de consumo ampliaría drásticamente el mercado potencial. El fracaso no invalidaría la ciencia subyacente, pero limitaría el sistema a clínicas, farmacias o quioscos con cámaras especializadas.

La tercera señal es una vía regulatoria y clínica claramente definida. Los desarrolladores deben decidir si el producto detecta riesgo, estima la presión arterial, monitoriza el tratamiento o afirma diagnosticar una enfermedad.

Cada uso tiene consecuencias diferentes. Un aviso de bienestar de bajo riesgo no equivale a una medición utilizada para tomar decisiones sobre medicamentos. El lenguaje del producto y el diseño de la interfaz deben ajustarse a la evidencia.

Los futuros ensayos deberían comparar el sistema con manguitos validados y mediciones de laboratorio en el entorno previsto. Deberían seguir si el cribado conduce a diagnósticos confirmados y atención adecuada, no solo si el modelo reproduce etiquetas en un conjunto de datos.

Los sistemas de salud también necesitarán evidencia sobre la carga del flujo de trabajo. Una herramienta que produce demasiadas alertas falsas puede consumir citas y recursos de pruebas. Una herramienta que no detecta a pacientes de alto riesgo puede socavar el propósito del cribado.

Para quienes llegan a través de google news, la conclusión práctica es clara. No utilice un video del rostro para descartar hipertensión o diabetes, ni modifique un tratamiento basándose en un resultado experimental obtenido con una cámara.

Considere esta historia como una señal de hacia dónde se dirige la IA médica. Las cámaras se están convirtiendo en sensores fisiológicos, y el aprendizaje automático puede recuperar señales relacionadas con la salud que la visión humana no puede percibir. La investigación ha avanzado desde una presentación preliminar en 2024 hasta hallazgos más detallados en 2026.

La próxima decisión dependerá de la evidencia, no del titular. Esté atento a la validación multicéntrica, al rendimiento transparente por subgrupos y a los resultados obtenidos con smartphones convencionales. Si estos llegan sin una pérdida importante de precisión, el cribado sin contacto tendrá una vía creíble para incorporarse a la atención cotidiana. Hasta entonces, la medida más útil sigue siendo la convencional: obtener lecturas de presión arterial validadas, seguir las pruebas recomendadas para la diabetes y consultar los resultados preocupantes con un profesional sanitario cualificado.