Medicina
La IA puede detectar patologías cardíacas a partir de electrocardiogramas con mayor precisión que cardiólogos
|
Ainhoa Pérez
Alumni
|
|
MPH, MSc.
|
Un estudio reciente publicado en Nature evaluó la eficacia de un modelo de inteligencia artificial entrenado con más de un millón de electrocardiogramas (ECGs). Los resultados muestran que la IA puede detectar enfermedad cardíaca estructural con mayor precisión que cardiólogos, abriendo nuevas posibilidades para el cribado no invasivo.
FISIOPATOLOGÍA Y MECANISMOS
La enfermedad estructural cardíaca abarca un espectro heterogéneo de alteraciones morfofuncionales que afectan a válvulas, cavidades y paredes del corazón, incluyendo disfunción ventricular, hipertrofia, hipertensión pulmonar y valvulopatías. Estas patologías afectan a decenas de millones de personas en todo el mundo. Aunque el diagnóstico se basa en técnicas de imagen como el ecocardiograma, su disponibilidad está limitada por barreras logísticas y de coste. En este contexto, los modelos de inteligencia artificial basados en aprendizaje profundo se han posicionado como herramientas prometedoras para inferir de manera no invasiva la presencia de enfermedad estructural a partir de electrocardiogramas, pruebas más accesibles y ampliamente disponibles. Estos modelos emplean redes neuronales convolucionales que analizan señales eléctricas junto con datos clínicos, lo que podría facilitar el cribado poblacional y la priorización de estudios adicionales.ESTUDIO
Un estudio clínico reciente llevado a cabo en Estados Unidos (Poterucha et al., 2025) evaluó la eficacia de un modelo de IA basado en aprendizaje profundo para detectar enfermedad estructural cardíaca a partir de electrocardiogramas. El modelo fue entrenado con más de un millón de pares de electrocardiograma y ecocardiograma procedentes de más de doscientos mil pacientes adultos atendidos entre 2008 y 2022 en ocho hospitales del sistema NewYork-Presbyterian. La enfermedad estructural se definió mediante criterios ecocardiográficos establecidos, incluyendo disfunción ventricular izquierda, hipertrofia ventricular, disfunción ventricular derecha, hipertensión pulmonar, derrame pericárdico moderado o severo, y valvulopatías relevantes. El modelo utilizó las señales crudas de las 12 derivaciones del electrocardiograma junto con variables clínicas básicas. Su rendimiento fue validado con diferentes subgrupos clínicos, incluyendo cohortes externas, modelos de cribado rutinario sin imagen, y una evaluación controlada en la que un grupo de cardiólogos interpretó 150 electrocardiogramas con y sin la ayuda del modelo, comparando su rendimiento diagnóstico frente al algoritmo.RESULTADOS PRINCIPALES
El modelo por IA alcanzó una alta precisión en la cohorte de prueba (AUROC > 85%; AUPRC >78%), con resultados consistentes entre hospitales, entornos clínicos y grupos demográficos, con cierta disminución de rendimiento en las cohortes externas. En la evaluación controlada, el modelo superó a los cardiólogos tanto en precisión, como en sensibilidad y en especificidad, mejorando su rendimiento cuando fue utilizado como apoyo.CONCLUSIÓN Y RELEVANCIA CLÍNICA
Este estudio muestra que un modelo de inteligencia artificial entrenado puede detectar de forma precisa y generalizable múltiples formas de enfermedad estructural cardíaca a partir del electrocardiograma. Estos hallazgos sugieren un papel potencial de esta tecnología en el cribado poblacional y la priorización diagnóstica en cardiología. El rendimiento diagnóstico fue alto en validaciones internas y externas, y superior al juicio clínico en condiciones experimentales. El despliegue silencioso mostró una alta tasa de confirmación diagnóstica, y su aplicación prospectiva permitió identificar casos reales. Entre las limitaciones del estudio destacan la dependencia del ecocardiograma como estándar diagnóstico, o la falta de resultados pronósticos que establezcan su valor clínico real, entre otras. Debe tenerse en cuenta que la evaluación realizada por los cardiólogos no está realizada bajo condiciones clínicas completas que incluyen historia clínica y exploración física, lo que limita la comparación en condiciones reales, apuntando por el momento simplemente a su valor como cribado. No obstante, los ECG de alto riesgo de la cohorte silenciosa muestran un alto valor predictivo. Futuros estudios deberán evaluar su aplicabilidad en otros contextos clínicos y su impacto real en la práctica asistencial.
#inteligenciartificial #IA #enfermedadcardiovascular
Referencias:
Poterucha, J. T et al, 2025. Detecting structural heart disease from electrocardiograms using AI. Nature. https://doi.org/10.1038/s41586-025-09227-0
* Las noticias publicadas sobre estudios no suponen un posicionamiento oficial de ICNS, ni una recomendación clínica.
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
