El papel de la IA en la monitorización y detección temprana de eventos cardiovasculares
Tres investigadores de Noruega y Portugal publicaron en la edición del 6 de marzo de 2025 de JMIR Medical Informatics los resultados de una revisión bibliográfica preliminar que se ocupó de analizar el rol de la inteligencia artificial para el monitoreo y el diagnóstico precoz de nuevos episodios cardiovasculares*.
La NOTICIA DEL DÍA, hoy se dedicará a comentar los hallazgos de esta revisión.
Prologando el desarrollo de su observación, los autores indicaron que la inteligencia artificial (IA) ha revolucionado varios aspectos de nuestras vidas, mostrando un crecimiento y avances exponenciales.
Su ubicuidad e influencia en casi todas las facetas de la vida humana, desde los negocios y el entretenimiento hasta la tecnología, aún no se ha comprendido plenamente en el campo de la medicina.
A pesar de estos avances, el aprendizaje automático (ML por sus siglas en inglés de machine learning) en el ámbito de la atención sanitaria se enfrenta a importantes desafíos, en particular en el ámbito de la adaptación de dominios, donde el objetivo fue aplicar modelos de ML desarrollados en un contexto a entornos sanitarios diferentes pero relacionados.
Esto fue particularmente crucial en el ámbito de la atención sanitaria, donde la variabilidad en la demografía de los pacientes, la prevalencia de enfermedades y las prácticas sanitarias en diferentes regiones y poblaciones pudieron afectar el rendimiento y la fiabilidad de los modelos de ML.
Abordar estos desafíos es esencial para garantizar que las tecnologías impulsadas por IA se puedan aplicar de forma eficaz y equitativa en diversos entornos sanitarios.
La creciente disponibilidad de datos médicos, combinada con los avances en las técnicas de IA, crea nuevas oportunidades para desarrollar sistemas inteligentes que puedan ayudar a los profesionales de la salud en la detección temprana y la intervención rápida de eventos cardiovasculares.
Por ejemplo, estudios como el de Elvas et al han demostrado la capacidad de los modelos predictivos para anticipar incidentes de isquemia miocárdica, lo que permite intervenciones oportunas y mejora los resultados de los pacientes.
Una ventaja clave de la IA en este contexto es su capacidad para analizar grandes volúmenes de datos complejos, descubriendo patrones y correlaciones que los analistas podrían pasar por alto,
Esta capacidad podría ser especialmente significativa en el contexto de la cardiología, el tema específico de este estudio, ayudando a proporcionar una comprensión más completa de la salud cardiovascular de un paciente.
Las enfermedades cardiovasculares (ECV) siguen siendo la principal causa de mortalidad en todo el mundo.
A nivel mundial, las ECV son responsables de aproximadamente 17,9 millones de muertes al año, lo que representa el 32% de todas las muertes mundiales.
Estas afecciones abarcan una variedad de trastornos que afectan el corazón y los vasos, incluidas la enfermedad coronaria, la enfermedad cardíaca reumática, los defectos cardíacos congénitos y la hipertensión.
Es probable que el número total de muertes por ECV y de años de vida perdidos aumente como resultado del crecimiento y el envejecimiento de la población, lo que subraya la necesidad crítica de contar con métodos eficaces para monitorear y diagnosticar estas afecciones de manera temprana.
El objetivo principal de esta revisión fue abordar estas brechas mediante la realización de una revisión exhaustiva de los estudios centrados en las metodologías de IA, junto con los datos médicos, que contribuyeron al conocimiento y al progreso en el monitoreo inteligente, la detección, la predicción y el diagnóstico de este tipo de enfermedades.
En particular, esta revisión tuvo como objetivo examinar y sintetizar la investigación actual sobre la aplicación de metodologías de IA y ML en el manejo de la ECV.
El estudio buscó identificar y evaluar varios enfoques impulsados por IA, incluido el aprendizaje profundo (ML) y los métodos de conjunto, que han demostrado ser prometedores para mejorar la precisión de la clasificación de la ECV, la evaluación de riesgos y el monitoreo del paciente.
Además, tuvo como objetivo destacar el potencial de estas tecnologías para permitir diversas estrategias de tratamiento, respaldar los procesos de toma de decisiones de los profesionales de la salud y, en última instancia, mejorar los resultados de los pacientes.
Al evaluar el estado actual de la investigación, también pretendió identificar desafíos, limitaciones y áreas para una mayor exploración para guiar los avances futuros en la atención cardiovascular impulsada por IA.
A pesar de la naturaleza exhaustiva de esta revisión, es importante reconocer ciertas limitaciones y desafíos que afectaron el proceso de búsqueda.
El trabajo se limitó a los artículos publicados entre 2020 y 2024, que fue un rango de años estrecho; sin embargo, no se encontraron artículos fuera de ese rango utilizando la consulta de búsqueda seleccionada.
Además, se limitó a publicaciones en idioma inglés, lo que pudo haber resultado en la omisión de investigaciones valiosas publicadas en otros idiomas.
Un desafío importante fue la variabilidad en la calidad de los estudios en la literatura seleccionada.
La naturaleza rápidamente evolutiva de las técnicas de IA y ML en la atención médica significa que las metodologías y los estándares de presentación de informes pudieron variar considerablemente entre estudios, lo que potencialmente afectó la comparabilidad y generalización de los hallazgos.
Además, la integración de diversas metodologías de IA presentó un desafío para sintetizar los resultados, ya que los diferentes enfoques pueden tener distintos niveles de interpretabilidad y aplicabilidad clínica.
La heterogeneidad en las fuentes de datos, los tamaños de muestra y las medidas de resultados en los estudios también pudo complicar el proceso de extraer conclusiones coherentes.
Además, el rápido desarrollo de este campo implicó que algunas metodologías de vanguardia podrían estar subrepresentadas en la literatura revisada por pares en el momento de esta revisión.
Estas limitaciones debieron tenerse en cuenta al interpretar los hallazgos y sus implicancias para la práctica clínica y las futuras direcciones de investigación en el cuidado cardiovascular impulsado por IA.
En resumen, esta revisión de la literatura destacó el potencial transformador de la IA en la atención médica, en particular en el ámbito de las ECV.
Subrayó el importante impacto global de las ECV y la urgente necesidad de mejorar los métodos de seguimiento, detección e intervención temprana.
La revisión tuvo como objetivo explorar cómo las técnicas de IA y ML, cuando se combinan con datos médicos extensos, pueden hacer avanzar el enfoque para gestionar la salud cardiovascular.
Al examinar las metodologías actuales y sus implicancias prácticas, se identificaron áreas para una mayor investigación y desarrollo.
A medida que evoluciona la atención médica, la incorporación de sistemas inteligentes podría mejorar los resultados de los pacientes y respaldar las intervenciones tempranas.
El potencial de la IA para transformar la atención de la salud cardiovascular es inmenso y ofrece la promesa de diagnósticos más precisos, planes de tratamiento personalizados y mejores resultados para los pacientes.
Reiterando lo expresado, la inteligencia artificial (IA) ha experimentado un crecimiento y unos avances exponenciales que han revolucionado diversos campos, incluido el de la salud.
Sin embargo, la adaptación a los distintos ámbitos sigue siendo un desafío importante, ya que los modelos de aprendizaje automático (ML) suelen tener que aplicarse en distintos entornos de atención médica con prácticas y demografías de pacientes variables.
Esta cuestión fue fundamental para garantizar una implementación eficaz y equitativa de la IA.
Las enfermedades cardiovasculares (ECV), la principal causa de mortalidad mundial con 17,9 millones de muertes anuales, abarcan afecciones como la enfermedad coronaria y la hipertensión.
La creciente disponibilidad de datos médicos, junto con los avances de la IA, ofrece nuevas oportunidades para la detección temprana y la intervención en casos de eventos cardiovasculares, aprovechando la capacidad de la IA para analizar conjuntos de datos complejos y descubrir patrones críticos.:
Tuvo como objetivo examinar las metodologías de IA combinadas con datos médicos para avanzar en el monitoreo y la detección inteligentes de ECV, identificando áreas para futuras investigaciones para mejorar los resultados de los pacientes y apoyar intervenciones tempranas.
Siguió la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para garantizar un proceso de revisión bibliográfica riguroso y transparente.
Este enfoque estructurado facilitó una descripción general completa del estado actual de la investigación en este campo.
A través de la metodología utilizada, se recuperaron 64 documentos, de los cuales 40 cumplieron con los criterios de inclusión.
Los artículos revisados demostraron avances en IA y ML para la detección, clasificación, predicción, diagnóstico y monitoreo de pacientes con ECV.
Técnicas como aprendizaje por conjuntos, redes neuronales profundas y selección de características mejoraron la precisión de la predicción con respecto a los métodos tradicionales.
Los modelos de ML predicen eventos y riesgos cardiovasculares, con aplicaciones en el monitoreo a través de tecnología portátil.
La integración de IA en la atención médica respaldó la detección temprana, el tratamiento personalizado y la evaluación de riesgos, posiblemente mejorando la gestión de las ECV.
Al discutir los principales hallazgos observados. los autores indicaron que su revisión reveló avances significativos en el uso de técnicas de ML y DL para la clasificación, predicción y diagnóstico de ECV y eventos.
Técnicas como DLSE (Dual Layer Stacking Ensemble), FDCN (fuzzy deep convolutional network) y CSOA (crow search optimization algorithm) han demostrado una alta precisión, superando el 95% de exactitud.
Algunos de los estudios revisados tuvieron como objetivo predecir la detección de ECV, mientras que otros especificaron sus algoritmos de aprendizaje automático para predecir y gestionar afecciones específicas como enfermedad coronaria, arritmia, hipertensión, síndrome metabólico y aneurismas aórticos abdominales.
Diversos estudios destacaron la importancia de integrar múltiples fuentes de datos y aportes de expertos para mejorar el rendimiento de los modelos.
Se hizo hincapié en las tecnologías portátiles (por ejemplo, relojes inteligentes, rastreadores de actividad física, gafas inteligentes, monitores de electrocardiograma) y los métodos no invasivos para el seguimiento continuo y la detección temprana, que mostraron potencial para reducir los costos de la atención médica y la carga para los pacientes.
Además, la aplicación de la IA para predecir los reingresos de emergencia y la necesidad de cirugía cardiovascular subrayó su potencial para mejorar los resultados de los pacientes.
Entre los desafíos identificados se incluyeron la necesidad de marcos estandarizados, la privacidad de los datos y la interpretabilidad de los algoritmos.
Las ventajas de las técnicas de conjunto como el método SEL y el DLSE residieron en su capacidad de combinar múltiples modelos para mejorar la precisión, como lo demostraron los resultados que van desde el 88% hasta más del 95% de precisión.
Sin embargo, su complejidad e interpretabilidad presentan desafíos significativos que podrían dificultar su adopción en entornos clínicos.
De manera similar, técnicas como RFE (recursive feature elimination) y gradient boosting resaltaron la importancia de la selección de características para mejorar la precisión del modelo, pero la naturaleza desequilibrada de los conjuntos de datos utilizados en algunos estudios, como el conjunto de datos CAD de Nasarian, introdujo limitaciones en la generalización de los resultados.
La literatura actual a menudo se centra en métricas de rendimiento como la precisión, la precisión yF1, sin ofrecer un análisis sólido de las limitaciones prácticas de estos sistemas, como el costo computacional, la escalabilidad o la aplicabilidad clínica en el mundo real.
Los conjuntos de datos más utilizados en la literatura revisada incluyeron el conjunto de datos de enfermedades cardíacas de Cleveland y el conjunto de datos de enfermedades cardiovasculares.
Algunos estudios aprovecharon los conjuntos de datos de Kaggle, que ofrecen datos cardiovasculares más grandes y disponibles públicamente que abarcan una variedad de ECV.
Estos conjuntos de datos fueron valiosos para entrenar modelos más generalizables, pero a menudo mostraron desequilibrios de clase, como se observó en estudios que utilizaron RFE y aumento de gradiente.
En general, estos hallazgos subrayaron colectivamente el potencial de la IA y el ML para mejorar la evaluación, predicción y gestión del riesgo de ECV.
La aplicación de metodologías avanzadas, como el aprendizaje por conjuntos y las estrategias de optimización, ofrece soluciones de detección más precisas y tempranas, como lo demuestran las mejoras de rendimiento en varios conjuntos de datos.
Sin embargo, las limitaciones en la diversidad de conjuntos de datos, la interpretabilidad de los modelos y la escalabilidad resaltan la necesidad constante de validaciones más completas en el mundo real.
Además, la integración de debates sobre las ventajas, desventajas y medidas de rendimiento específicas de los sistemas existentes fortalecerá aún más la comprensión de sus aplicaciones prácticas.
Las investigaciones futuras deberán centrarse en superar estos desafíos para desarrollar soluciones impulsadas por IA más sólidas, beneficiosas y generalizables para la atención de la salud cardiovascular.
Las perspectivas de investigación futuras, en los estudios a los que se hizo referencia, sugirieron oportunidades prometedoras para integrar tecnologías avanzadas para mejorar el manejo de las ECV.
La combinación de datos multiómicos (genómica, proteómica, etc.) con IA e Internet de las cosas podría mejorar la precisión en la detección de enfermedades, la toma de decisiones y la atención personalizada.
El desarrollo de modelos híbridos de ML utilizando conjuntos de datos grandes y en tiempo real podría mejorar la predicción de enfermedades cardíacas.
Las técnicas computacionales para el análisis de ECG muestran el potencial de descubrir nuevos biomarcadores y mejorar la estratificación del riesgo del paciente.
Los dispositivos portátiles y los sistemas de monitoreo remoto podrían transformar la atención al paciente al proporcionar datos de salud continuos y en tiempo real.
Será necesario abordar desafíos como la calidad de los datos, la estandarización y la aprobación regulatoria para avanzar en estas innovaciones.
Además, la incorporación de modelos no clínicos, la evaluación de conjuntos de datos diversos y el aprovechamiento de recursos computacionales avanzados pueden ser beneficiosos para desarrollar soluciones efectivas y escalables.
Los autores concluyeron que su revisión bibliográfica destacó el potencial transformador de la IA y el aprendizaje automático para revolucionar la atención de la salud cardiovascular.
Las metodologías avanzadas impulsadas por IA, como DLSE, FDCN y CSOA, han demostrado mejoras notables en la detección, predicción y gestión de la ECV.
La integración de diversas fuentes de datos con estos sofisticados algoritmos mejora la precisión del diagnóstico, respalda las estrategias de tratamiento personalizadas y permite realizar intervenciones tempranas.
Además, la aplicación de la IA en tecnologías portátiles es muy prometedora para el monitoreo continuo y no invasivo de la salud, lo que podría mejorar los resultados de los pacientes y reducir los costos de la atención médica.
Estos avances representan un cambio significativo hacia una atención al paciente más proactiva y personalizada, ofreciendo a los profesionales de la salud herramientas poderosas para respaldar sus procesos de toma de decisiones.
La alta precisión demostrada por los modelos de IA en la clasificación y predicción de ECV sugiere un futuro en el que los eventos cardiovasculares se pueden anticipar y prevenir con mayor precisión.
Sin embargo, la adopción generalizada de la IA en la atención sanitaria enfrenta varios desafíos, entre ellos la estandarización de marcos y protocolos, la garantía de medidas sólidas de privacidad y seguridad de los datos, la mejora de la interpretabilidad y explicabilidad de los algoritmos de IA, la validación de modelos de IA en diversas poblaciones de pacientes y el abordaje de consideraciones éticas.
Superar estos obstáculos podría ser crucial para aprovechar todo el potencial de las tecnologías impulsadas por IA en la transformación de la atención cardiovascular.
Las investigaciones futuras deberían centrarse en:
(1) refinar y optimizar los modelos de IA para mejorar la precisión y la confiabilidad;
(2) integrar flujos de datos en tiempo real para mejorar la aplicabilidad de la IA en entornos clínicos;
(3) realizar estudios multicéntricos a gran escala para validar la eficacia de la IA en diferentes sistemas de atención médica y demografías de pacientes;
(4) desarrollar guías y mejores prácticas para la implementación ética de la IA en la atención médica; y
(5) explorar las sinergias entre la IA y otras tecnologías emergentes para crear soluciones de atención médica más integrales.
Al abordar estos desafíos y seguir estas direcciones de investigación, la IA y el ML tienen el potencial de revolucionar la atención de la salud cardiovascular a escala global.
La promesa de soluciones más precisas, oportunas y rentables podría beneficiar significativamente tanto a los pacientes como a los proveedores de atención médica, lo que en última instancia conduciría a mejores resultados en materia de salud cardiovascular.
A medida que se avanza, es esencial mantener un equilibrio entre la innovación tecnológica y las consideraciones éticas, garantizando que los avances en la atención cardiovascular impulsada por la IA sean accesibles, equitativos y se centren en mejorar el bienestar del paciente.
La integración de estas tecnologías en la práctica clínica representa un paso significativo hacia una atención cardiovascular más proactiva, personalizada y eficiente, con el objetivo de mejorar los resultados de salud a nivel mundial.
Palabras clave: inteligencia artificial; aprendizaje automático; enfermedades cardiovasculares; eventos cardiovasculares ; atención médica; monitoreo; detección temprana; IA; cardiovascular; revisión de la literatura; datos médicos; detección; resultados del paciente; red neuronal; modelo ML; teléfono móvil
* Elvas LB, Almeida A, Ferreira JC. The Role of AI in Cardiovascular Event Monitoring and Early Detection: Scoping Literature Review. JMIR Med Inform. 2025 Mar 6;13:e64349. doi: 10.2196/64349. PMID: 40048151.
