Los modelos de clasificación de imágenes médicas basados en aprendizaje profundo han demostrado exhibir sesgos relacionados con la raza, el género y la edad hacia ciertos atributos demográficos. Los métodos existentes de mitigación de sesgos se centran principalmente en aprender modelos sin sesgos, lo cual no garantiza que toda la información sensible sea eliminada y generalmente se enfoca en atributos sensibles discretos. Para abordar el sesgo relacionado con la edad en estos modelos, presentamos un método novedoso llamado Mitigando el Edadismo Digital usando Representación Aprendida Adversarialmente (MA-ADReL), que tiene como objetivo lograr equidad para la edad como un atributo continuo sensible. Proponemos controlar el término de penalización de información mutua para reducir el sesgo por edad como un atributo continuo sensible, y buscamos mejorar la equidad sin comprometer la precisión. También empleamos la fusión de entradas de baja y alta resolución para mejorar la representación latente transferible de imágenes médicas. Nuestro método logra un AUROC de 0.942, superando significativamente a los modelos de referencia al reducir el sesgo, con un puntaje de IM de 1.89. Nuestros experimentos en dos conjuntos de datos de análisis de lesiones cutáneas indican que MA-ADReL puede mejorar significativamente la equidad con respecto al sesgo relacionado con la edad manteniendo una alta precisión.