Aplicabilidad de algoritmos de aprendizaje automático en el diagnóstico de fibrilación auricular y síndrome de QTL mediante la interpretación del electrocardiograma
Investigadores brasileños realizaron una revisión sistemática de la literatura que publicaron en la edición de julio de 2025 de los Arquivos Brasileiros de Cardiologia cuyo propósito fue analizar la fiabilidad de algoritmos de aprendizaje automático orientados al diagnóstico de fibrilación auricular (FA) y el síndrome de QT largo (SQTL)*.
Es válido aclarar que el aprendizaje automático (o machine learning) es un subcampo de la inteligencia artificial que permite a los sistemas informáticos aprender y mejorar de forma autónoma a partir de datos, sin ser programados explícitamente para cada tarea.
Utiliza algoritmos para analizar grandes volúmenes de datos, identificar patrones, y así tomar decisiones o hacer predicciones que se vuelven más precisas a medida que el sistema se expone a más información.
La NOTICIA DEL DÍA hoy se ocupará de este novedoso e intrigante concepto.
Para comenzar su observación los autores plantearon que según la Organización Mundial de la Salud, las enfermedades cardiovasculares (ECV) son la principal causa de muerte en todo el mundo, representando el 32 % de todas ellas.
Entre las ECV, las arritmias son las más comunes y se caracterizan por anomalías en la generación o conducción de impulsos eléctricos.
Se producen debido a una función cardíaca anormal, lo que resulta en ritmos cardíacos irregulares.
La aparición de arritmias puede ser indiferente pero puede tener consecuencias graves.
El enfoque diagnóstico de las arritmias cardíacas incluye dos componentes principales: la historia clínica y el electrocardiograma (ECG).
La historia clínica incluye la mención de latidos cardíacos irregulares, disnea, fatiga, mareos y, si no se trata, puede desarrollar accidente cerebrovascular e insuficiencia cardíaca.
La sospecha puede corroborarse mediante cambios en la exploración física cardiovascular mediante la auscultación con un estetoscopio y la palpación de los pulsos.
El diagnóstico se confirma con el registro del Holter de ECG durante 24 horas y la posterior certificación de los ritmos irregulares por parte de un médico especialista.
Sin embargo, el método convencional de diagnóstico mediante ECG Holter, en general, presenta limitaciones debido a la falta de flexibilidad mecánica para el paciente y al método de análisis retrospectivo, sin monitorización ni seguimiento en tiempo real.
Sin embargo, los algoritmos de Inteligencia Artificial (IA) y sus derivados se han consolidado como un método fiable para identificar y clasificar patrones electrocardiográficos que puedan sugerir anomalías.
Dorado-Díaz et al. se refieren a la IA como un «campo de la informática que intenta imitar el proceso cognitivo humano, la capacidad de aprendizaje y el almacenamiento de conocimiento».
En Ciencias de la Salud, los algoritmos de IA se aplican predominantemente en la predicción, recomendación y apoyo diagnóstico basados en modelos de Aprendizaje Automático y Aprendizaje Profundo (Machine Learning -ML- and Deep Learning, -DL– por sus siglas en inglés).
Conceptualmente, el ML se centra en el desarrollo de algoritmos que permiten a los sistemas informáticos aprender sin programación explícita.
Por el contrario, los modelos de DL obtienen su capacidad predictiva de las Redes Neuronales Artificiales (RNA) con múltiples capas de procesamiento de información.
En este contexto, los algoritmos de ML ahora son capaces de analizar ECG, proporcionar interpretaciones automatizadas y predecir los riesgos asociados.
La literatura destaca las predicciones derivadas de la optimización de los pasos del procedimiento, como el procesamiento de señales, la extracción de variables significativas y la clasificación de algoritmos.
A pesar de la complejidad computacional intrínseca, existen varios avances en los sistemas que desempeñan esta función.
Por lo tanto, las herramientas de IA pueden complementar la monitorización médica, desde los niveles preventivo hasta la rehabilitación.
El desarrollo de ML capaz de realizar análisis de ECG es esencial para la detección temprana de anomalías cardíacas de forma remota y para facilitar el diagnóstico de arritmias y otras afecciones.
Además, la monitorización cardíaca a largo plazo, el reconocimiento y la clasificación de arritmias basados en el análisis del trazado de ECG pueden ser un proceso largo e innecesariamente exhaustivo para el cardiólogo.
Por lo tanto, las técnicas de detección de arritmias autonómicas son útiles para estas tareas.
En este escenario, las técnicas computarizadas de reconocimiento de patrones podrían ayudar a proporcionar diagnóstico e intervención médica cuando sea necesario.
Considerando lo anterior, el estudio de la IA y sus tecnologías derivadas en el ámbito sanitario resulta de gran relevancia.
Por lo tanto, este trabajo tuvo como objetivo, mediante una revisión sistemática de la literatura científica, explorar la aplicabilidad, validez y viabilidad de los modelos de aprendizaje automático en el proceso de diagnóstico de arritmias cardíacas.
Asimismo, el estudio buscó identificar los beneficios y limitaciones metodológicos, los posibles impactos clínicos y sociales de estas tecnologías y sus implicancias para la estructura de la educación y la práctica médica.
Insistiendo con lo dicho, el aprendizaje automático (ML) es un tipo de algoritmo que aprende de forma autónoma a reconocer patrones complejos.
En el contexto diagnóstico de las arritmias cardíacas, estos algoritmos han mostrado avances significativos gracias a su capacidad para proporcionar interpretación automatizada y el reconocimiento de patrones en electrocardiogramas (ECG).
De esta manera, el objetivo de esta revisión fue analizar e identificar la aplicabilidad, validez y viabilidad de los modelos de algoritmos de ML en el proceso diagnóstico de arritmias cardíacas mediante la interpretación automatizada de electrocardiogramas; la misma se realizó de acuerdo con las guías PRISMA.
Las búsquedas se realizaron en la Biblioteca Cochrane, EMBASE, LILACS y PubMed entre febrero y noviembre de 2022.
El período de estudio abarcó artículos publicados entre 2017 y 2022.
La búsqueda en las bases de datos antedichas arrojó 119 resultados, que abarcaron tres subtemas:
síndrome de QT largo (SQTL),
intervalo QT corregido (QTc) y
fibrilación auricular (FA).
La FA fue el tema más frecuente, el tamaño de las muestras fue bastante variable y los resultados fueron en su mayoría satisfactorios.
En el diagnóstico de SQTL mediante Inteligencia Artificial (IA), el algoritmo superó a los métodos convencionales en la distinción diagnóstica.
En la evaluación del intervalo QTc, no se observaron diferencias entre el ECG integrado con IA y el ECG convencional.
En el diagnóstico de FA, los algoritmos, modelos y dispositivos demostraron una alta sensibilidad y especificidad, junto con una mayor precisión.
Al poner a consideración las observaciones mencionadas, los autores plantearon que en esta revisión sistemática, los algoritmos automatizados para la detección de arritmias abarcaron tres presentaciones principales:
síndrome de QT largo,
otras anomalías del intervalo QT y
fibrilación auricular (FA).
Respecto al síndrome de QT largo, el estudio analizado en esta revisión logró distinguir poblaciones con una precisión del 82,2 %, presentando una sensibilidad del 83,7 % (VPP: 83,2 %) y una especificidad del 80,6 % (VPN: 81,3 %).
Esto demostró que la aplicación de algoritmos de IA en el diagnóstico de esta arritmia evidenció un grado satisfactorio de precisión, sensibilidad y especificidad.
En cuanto a las anomalías del intervalo QT, el estudio incluido en esta revisión mostró concordancia entre los resultados obtenidos del ECG convencional de 12 derivaciones y el ECG con un algoritmo de IA integrado en un dispositivo portátil equipado con tecnología de fotopletismografía (como un reloj inteligente, brazalete de actividad física, u oxímetro de pulso).
Por lo tanto, la diferencia entre los hallazgos del ECG convencional y los sugeridos por el algoritmo de IA fue mínima.
Hermans et al. investigaron previamente las características morfológicas que podrían respaldar el diagnóstico de SQTL y otras variaciones del intervalo QT.
Estos autores investigaron los valores agregados de los marcadores morfológicos de la onda T al inicio y en un modelo extendido.
Concluyeron que la morfología de la onda T tuvo un valor añadido para distinguir a los pacientes con SQTL de los familiares con genotipo negativo.
Esta característica morfológica pudo explicar la precisión del trabajo de Bos et al. (Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients with Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021;6(5):532-8. doi: 10.1001/jamacardio.2020.7422)..
En cuanto a las anomalías del intervalo QT, Prifti et al. describen modelos de aprendizaje automático capaces de predecir la propensión de los pacientes a desarrollar una prolongación significativa del intervalo QT inducida por fármacos.
Corroborando las contribuciones de Simon et al. sobre los cambios electrofisiológicos en el intervalo QT, la interpretabilidad se basa en la precisión predictiva.
Los métodos interpretables permiten una inspección exhaustiva de las interacciones que provocan arritmias en este tipo de pacientes, ya sea debido a la expresión de una alteración genética o a interacciones farmacológicas específicas.
Esta interpretabilidad es útil para prevenir complicaciones y debe considerarse para integrar el modelado predictivo en las herramientas de apoyo a la toma de decisiones clínicas.
En cuanto a la detección general de la FA, caracterizada por la detección de eventos paroxísticos independientemente de su duración, la posición del individuo o factores morfológicos específicos del trazado electrocardiográfico, los estudios mostraron un alto grado de precisión, sensibilidad y especificidad.
Wasserlauf et al.y Erdong Chen et al. demostraron que sus algoritmos derivados de IA eran eficaces para detectar eventos de FA.
En el primer caso, el diseño del sensor de ECG mostró una alta sensibilidad para detectar episodios genéricos, mientras que en el segundo, mostró un rendimiento satisfactorio en la evaluación a corto plazo.
Huang et al. profundizaron en el diseño de su estudio y descubrieron que el algoritmo genérico de IA era más preciso para detectar la FA en comparación con el diagnóstico humano y el algoritmo específico para la detección de FA.
En la detección de FA en diferentes posiciones corporales y después del ejercicio, Fu et al. destacaron una alta precisión en la detección del evento tanto en decúbito supino como en ortostático, así como después de realizar ejercicio aeróbico, con valores de precisión que oscilaron entre el 96,4 % y el 98,2 %.
En cuanto a la duración, Noseworthy et al. y Li et al. detectaron FA en evaluaciones diagnósticas con una duración de 30 segundos, 6 minutos, 24 horas y hasta 4 semanas.
Una frontera de la aplicación de la IA en diversos campos es la comprensión de los resultados obtenidos.
En el contexto de la detección de FA, es fundamental detectar los factores morfológicos que explican el resultado del algoritmo.
Para ello, Yang et al. y Jo et al. modelaron y aplicaron algoritmos para aislar las características clave de la FA.
Yang et al. intentaron cuantificar los cambios temporales y espaciales en el trazado del ECG para la detección de FA; sin embargo, el procesamiento y la extracción de características resultaron en un modelo impreciso.
Por otro lado, Jo et al., demostraron un modelo capaz de clasificar con precisión la arritmia utilizando datos de validación externa.
En un estudio posterior, lograron presentar un modelo que superó la autointerpretación de un electrocardiógrafo e identificaron el razonamiento que sustentaba la conclusión del hallazgo.
Por lo tanto, estos últimos autores demostraron éxito tanto en la detección del evento de FA como en la explicación de las razones del resultado, con alta sensibilidad (92,8%) y especificidad (95%).
La detección de FA mediante un reloj inteligente es una herramienta presente en las publicaciones analizadas (4 de 13 publicaciones).
En la comparación realizada por Wasserlauf et al. entre el monitor cardíaco invasivo (MCI) y el reloj inteligente, se demostró una alta sensibilidad para detectar FA en la última hora y en la evaluación de la duración del episodio arrítmico mediante el dispositivo portátil.
Por el contrario, el MCI mostró un mayor valor predictivo positivo para la FA en episodios de más de una hora de duración.
De manera similar, Chen et al. compararon el rendimiento del reloj inteligente con el del ECG de 12 derivaciones.
Como resultado, encontraron una buena sensibilidad (96,6%), especificidad (98%) y precisión (97,5%) en la detección de FA a corto plazo mediante el dispositivo equipado con el algoritmo de IA.
Väliaho et al. propusieron un estudio comparativo entre la detección del ritmo de FA y el ritmo sinusal utilizando relojes inteligentes integrados con dos modelos de algoritmos de aprendizaje automático.
En la detección de FA, informaron una alta sensibilidad (91,7%; VPP: 97,5%), mientras que en la detección del ritmo sinusal, informaron una sensibilidad (99,4%) y especificidad significativas (98,1%).
Los autores identificaron los casos de FA de inicio más reciente, pero afirmaron una considerable fiabilidad en la detección de episodios de FA, independientemente de su cronología, con altas tasas de sensibilidad y especificidad.
Por último, centrándose en la detección de arritmias inducidas por fármacos, Maille et al. compararon los datos del intervalo QT obtenidos de relojes inteligentes y ECG de 12 derivaciones.
En este estudio, los autores destacaron que, a pesar de la variabilidad en el intervalo QT corregido (QTc), existía una concordancia razonable entre los resultados generados por la IA del reloj inteligente y los informes de los ECG convencionales.
Con base en este hallazgo, los autores enfatizaron que la monitorización de pacientes mediante relojes inteligentes ofrece claras ventajas, incluyendo la capacidad de predecir, detectar y prevenir arritmias potencialmente fatales.
Dados los diversos resultados obtenidos en esta revisión sistemática, es evidente que los algoritmos derivados de IA pueden detectar patrones múltiples, sutiles y no lineales en un ECG.
En consonancia con la hipótesis previamente confirmada por Attia et al., estas redes demuestran una mayor sensibilidad en la detección de FA, incluso en ECG con ritmo sinusal normal.
Los hallazgos coinciden con los publicados en la literatura médica actual, como el metaanálisis de Feeny et al. sobre el diagnóstico de FA mediante un algoritmo derivado de IA, que destaca altas tasas de sensibilidad (94%) y especificidad (96%).
Sin embargo, a pesar de la diversidad de hallazgos en esta revisión sistemática, existieron limitaciones metodológicas en la indexación y presentación de resultados en las bases de datos, así como en los resultados de la literatura.
Las limitaciones metodológicas de este artículo se asociaron con la aplicación práctica por un solo operador y el espacio temporal de la investigación.
En cuanto a las bases de datos, la posible indexación inadecuada de los artículos podría suprimir los resultados con criterios de inclusión positivos para la revisión.
Respecto a las limitaciones de los estudios incluidos en este trabajo, el universo muestral y los diseños de los estudios fueron diversos y heterogéneos, lo que contribuyó a sesgos de selección, confirmación y confusión derivados de las predicciones ofrecidas por la máquina, las cuales incorporan sesgos de su modelo de entrenamiento.
Por otro lado, las tecnologías, en general, pueden llevar a la exclusión de grupos socialmente desfavorecidos, impidiéndoles acceder a las funcionalidades ofrecidas.
A pesar de la alta precisión en la detección de arritmias mediante dispositivos móviles puestos en el cuerpo del paciente (como por ejemplo los relojes inteligentes), estos requieren la conexión a otro dispositivo, generalmente un teléfono inteligente, para maximizar su usabilidad y funcionalidad.
Por otro lado, estas tecnologías permiten el monitoreo de poblaciones vulnerables e individuos en regiones remotas que pueden enfrentar disparidades en el acceso a la atención médica.
Por lo tanto, al ser un área especializada y en rápida expansión, la ciencia de datos aplicada a la salud requiere estudios multicéntricos sobre los beneficios, las limitaciones metodológicas y el impacto clínico y social de las tecnologías en el proceso de diagnóstico.
Al mismo tiempo, existe un amplio margen para la implementación de dispositivos basados en algoritmos de IA en la población para la detección, el diagnóstico y el posterior tratamiento temprano de arritmias potencialmente mortales.
Optimizar estos procesos es imperativo tanto desde el punto de vista médico como socioeconómico, ya que puede reducir los costos de hospitalización y mejorar la calidad de vida.
La aplicabilidad de los recursos tecnológicos a la práctica de la medicina basada en la evidencia mediante el suministro continuo de datos a gran escala mejora la precisión de los dispositivos de diagnóstico electrónico, los algoritmos y la conducta profesional.
En conclusión, con base en los resultados presentados, la aplicación, validez y viabilidad de los modelos de ML en el diagnóstico de arritmias cardíacas representa un área prometedora y en rápido avance.
Estos modelos han demostrado alta precisión, sensibilidad y especificidad en la detección de anomalías del ritmo cardíaco, en particular la fibrilación auricular (FA).
Sin embargo, su generalización a otras poblaciones sigue siendo una limitación, al igual que la posibilidad de sesgos introducidos por las tendencias en los conjuntos de datos de entrenamiento.
Además, la falta de estudios comparativos que evalúen el rendimiento de la inteligencia humana frente a la IA dificulta la validación completa de los métodos algorítmicos como herramientas fiables en la práctica médica habitual.
Por lo tanto, a medida que este campo especializado continúa expandiéndose, los estudios multicéntricos son esenciales para evaluar los beneficios, las limitaciones metodológicas y el impacto clínico y social de estas tecnologías en el proceso diagnóstico.
Palabras clave: Arritmias cardíacas; Inteligencia artificial; Aprendizaje automático; Redes neuronales; Electrocardiografía
* Nascimento PCGD, Martins MS, Improta-Caria AC, Aras Junior R. Applicability of Machine Learning Algorithms in Diagnosis of Atrial Fibrillation and LQTS by Electrocardiogram Interpretation: A Systematic Review. Arq Bras Cardiol. 2025 Jul;122(8):e20240843. Portuguese, English. doi: 10.36660/abc.20240843. PMID: 40900586.
