Eficacia de los modelos de IA en la detección de insuficiencia cardíaca mediante datos de ECG
Una revisión sistemática y un metaanálisis realizados por investigadores pakistaníes que se ocupó de analizar la utilidad de la inteligencia artificial (IA) para descubrir la presencia de insuficiencia cardíaca a través de la obtención de datos provenientes del ECG, fue publicada en la edición del 7 de febrero de 2025 de Cureus, será comentada hoy en la NOTICIA DEL DÍA*.
Introduciéndose en el tema y acerca de sus antecedentes, los autores señalaron que las enfermedades cardiovasculares siguen siendo una de las principales causas de morbilidad y mortalidad en todo el mundo, y la insuficiencia cardíaca (IC) se está convirtiendo en un problema de salud pública importante.
Así, indicaron que a nivel mundial, la IC afecta a aproximadamente 64 millones de personas.
El diagnóstico oportuno y preciso es fundamental para un tratamiento eficaz y mejores resultados para los pacientes.
La IC es un síndrome clínico complejo caracterizado por síntomas y signos resultantes del deterioro estructural o funcional del llenado ventricular o la eyección de sangre.
En la insuficiencia cardíaca congestiva (ICC), los pacientes suelen presentar fatiga, disnea, tolerancia al ejercicio reducida y congestión sistémica o pulmonar.
La fracción de eyección del ventrículo izquierdo (FEVI) desempeña un papel crucial en la clasificación de la IC, y aquélla con fracción de eyección reducida (ICFEr) se define típicamente como FEVI ≤35% o ≤40%.
El diagnóstico se basa en una combinación de síntomas clínicos, examen físico y pruebas diagnósticas, que incluyen electrocardiograma (ECG), ecocardiografía y biomarcadores.
Entre ellos, la electrocardiografía sigue siendo una piedra angular para evaluar la función cardíaca, capturar la actividad eléctrica del corazón y ofrecer información diagnóstica valiosa.
A medida que la inteligencia artificial (IA) continúa integrándose en la práctica médica, existe un creciente cuerpo de literatura que investiga su potencial para detectar la IC a través de datos de ECG.
Las técnicas de IA como el aprendizaje profundo, las redes neuronales convolucionales (CNN por sus siglas en inglés de convolutional neural networks) y las máquinas de vectores de soporte (SVM por sus siglas en inglés de support vector machines) han demostrado capacidades prometedoras en la identificación de patrones sutiles y anomalías dentro de los registros de ECG, lo que potencialmente mejora la precisión del diagnóstico.
Varios estudios han evaluado el análisis de ECG impulsado por IA para la detección de IC.
Sin embargo, la literatura existente presenta varios desafíos e inconsistencias, incluida la variabilidad en las fuentes de datos (conjuntos de datos públicos vs. datos a nivel de paciente), la falta de validación externa y la generalización limitada en diferentes poblaciones.
Muchos modelos de IA se entrenan y prueban en entornos clínicos de altos recursos, pero su rendimiento en entornos de bajos recursos, poblaciones étnicamente diversas y entornos de atención primaria sigue sin explorarse.
Además, las inconsistencias en el rendimiento diagnóstico informado de los modelos de IA plantean inquietudes sobre su aplicabilidad en el mundo real y el impacto en la toma de decisiones clínicas.
Esta revisión sistemática examinó minuciosamente una amplia gama de estudios que han profundizado en la intersección de la IA y los datos de ECG para la detección de la IC.
Mediante la síntesis de la evidencia disponible mediante un metaanálisis riguroso, el objetivo de los autores fue proporcionar una visión general cuantitativa de la precisión diagnóstica de los modelos de IA basados en ECG para el diagnóstico de la IC.
La importancia de esta investigación residió en su potencial para orientar la práctica clínica y contribuir al debate sobre la integración de la IA en la atención médica general.
Comprender las fortalezas y limitaciones de los modelos de IA en la detección de la IC es esencial para médicos, investigadores y legisladores en su análisis del panorama cambiante del diagnóstico cardiovascular.
Mediante esta revisión sistemática y metaanálisis, se buscó depurar el estado actual del conocimiento, identificar lagunas en la comprensión y sentar las bases para futuras investigaciones destinadas a optimizar el papel de la IA en la medicina cardiovascular.
En forma sumaria vale destacar que la insuficiencia cardíaca (IC) es la causa más común de muerte en todo el mundo y se caracteriza por una fracción de eyección baja, una mortalidad y morbilidad considerables, y una mala calidad de vida.
Los avances recientes en inteligencia artificial (IA) ofrecen una vía prometedora para mejorar la precisión diagnóstica, en particular en el análisis de datos provenientes del electrocardiograma (ECG).
Esta revisión sistemática y metaanálisis buscó sintetizar la evidencia actual sobre el rendimiento diagnóstico de los modelos de IA mediante datos del ECG en la detección de la IC.
Para ello se realizaron búsquedas sistemáticas en las bases de datos PubMed y Google Scholar desde su inicio hasta el 1 de julio de 2023 para identificar artículos originales que evaluaran la capacidad predictiva de la IA en el diagnóstico.
Se incluyó a un total de 218.202 participantes, con estudios individuales que abarcaban entre 59 y 110.000 participantes.
La sensibilidad, especificidad y odds ratio de diagnóstico (DOR por sus siglas en inglés de diagnostic odds ratio) agrupadas para los 13 estudios incluidos, con un intervalo de confianza (IC) del 97,5%, fueron 0,93 (IC: 0,81-0,98), 0,95 (IC: 0,89-0,97) y 303,65 (IC: 53,12-1734), respectivamente.
La sensibilidad y la especificidad oscilaron entre 0,12 y 1,00 y entre 0,66 y 1,00, respectivamente, lo que indicó una variabilidad sustancial en el rendimiento del modelo de IA, lo que pudo afectar a su generalización y fiabilidad clínica.
Los algoritmos basados en IA que utilizan datos de ECG son una herramienta fiable, precisa y prometedora para el cribado, la detección y la monitorización de la IC.
Sin embargo, se necesitan más estudios prospectivos, en particular ensayos controlados aleatorizados y estudios longitudinales a gran escala en diversas poblaciones, para evaluar el impacto clínico a largo plazo, la generalización y la aplicabilidad en el mundo real de estas herramientas de diagnóstico impulsadas por IA.
Discutiendo estos hallazgos, los autores pakistaníes plantearon que los algoritmos basados en IA mostraron una alta sensibilidad y especificidad en comparación con la interpretación tradicional de ECG y los métodos utilizados para detectar la IC.
En particular, estos modelos fueron precisos y tuvieron una baja tasa de FP (false positive) que pueden ayudar a los médicos a derivar rápidamente a los pacientes con ECG anormales, lo que aumenta la probabilidad de identificar a los pacientes de alto riesgo.
En los últimos años, ha habido un aumento en el desarrollo de nuevos modelos de IA que emplean técnicas de aprendizaje profundo que muestran una mayor aplicabilidad que el ML (por sus siglas en inglés de machine learning, -aprendizaje automático-) clásico.
Una red neuronal convolucional entrenada utilizando datos de ECG de 12 derivaciones y ecocardiograma, incluida la fracción de eyección del ventrículo izquierdo, llamada modelo AI-ECG desarrollado por Attia et al., ha demostrado un alto impacto clínico por su validación externa e interna en múltiples estudios.
Los modelos de IA se han diseñado para cumplir diversos propósitos, como la evaluación y el cribado iniciales y la monitorización remota de la salud de los pacientes, como se describe en un estudio.
Estos modelos también se pueden utilizar en entornos agudos.
Adedinsewo et al. crearon un modelo para su uso en departamentos de emergencia para identificar pacientes con IC que presentan disnea.
Acharya et al. propusieron una técnica que identifica a los pacientes con ICC con características alarmantes (de alerta), lo que permite a los médicos responder rápidamente.
Estos algoritmos también muestran utilidad en la predicción de futuros eventos cardiovasculares adversos en pacientes con IC, lo que facilita la estratificación del riesgo.
De Michieli et al. demostraron que los pacientes evaluados para troponina-T cardíaca de alta sensibilidad con ECG-AI positivo para disfunción sistólica ventricular izquierda tuvieron un mayor riesgo de eventos cardiovasculares mayores (MACE).
Chen et al. han demostrado que la FE-ECG puede predecir de forma independiente futuros eventos adversos CV.
El desarrollo de algoritmos de ECG con IA utilizando datos de ECG de una sola derivación en 2022 por Attia et al. ha creado una vía para facilitar los exámenes físicos de rutina.
Este modelo, al aplicarse a un ECG, permitió que un estetoscopio digital detectara de forma fiable una fracción de eyección baja, lo que conduce a una detección sencilla, no invasiva y adaptada al flujo de trabajo.
La última aplicación del algoritmo de IA se observa en los relojes inteligentes habilitados para ECG con IA que utilizan ECG digitales y no requieren una entrada adicional que consuma mucho tiempo.
En un estudio comparativo de Golany et al., el algoritmo ML superó a los médicos en la predicción de LVSD a partir de ECG estándar, lo que demuestra que la implementación robusta de IA en el cribado rutinario de IC es el siguiente paso en la atención médica futura.
A pesar de la evaluación de calidad formal de QAUDAS-2, se requieren nuevas herramientas para evaluar la calidad de los algoritmos de IA, ya que estos modelos no requieren el reclutamiento de pacientes y se pueden entrenar y probar en conjuntos de datos existentes.
QAUDAS-2 es una herramienta para uso en revisiones sistemáticas con el fin de evaluar el riesgo de sesgo y la aplicabilidad de estudios de precisión diagnóstica primaria.
Un diseño retrospectivo en estudios tempranos también corre el riesgo de sesgo de selección, ya que solo se incluyen pacientes de alto riesgo que indican ECO y ECG.
Esto puede hacer que el algoritmo funcione mejor que sus capacidades precisas de diagnóstico y cribado.
La inconsistencia en la validación de algoritmos también introduce sesgo con la validación externa adecuada del modelo de IA realizada solo para el algoritmo Attia.
Un sesgo potencial bien conocido de los algoritmos entrenados con IA es su susceptibilidad a errores cuando se emplean en un entorno distinto al de entrenamiento.
Esto ha limitado previamente su amplia aplicabilidad.
Harmon et al. demostraron que la red de ECG-IA se mantuvo estable a lo largo del tiempo y en poblaciones amplias sin necesidad de reentrenamiento.
Estos modelos son generalizables a diversas poblaciones de pacientes, etnias y grupos de edad, y pueden integrarse en distintos sistemas de salud.
Sin embargo, aún se requiere una evaluación continua para comprobar su rendimiento a lo largo de los años.
Se necesitan futuras investigaciones para predecir los patrones de IC en la población general utilizando estos algoritmos en combinación con otros factores de riesgo, marcadores bioquímicos como los péptidos natriuréticos y factores demográficos y socioeconómicos.
Los estudios prospectivos que evalúen la reducción de la hospitalización por IC o la mortalidad por cualquier causa mediante algoritmos de IA en comparación con la atención estándar conducirán a una utilización racional de los recursos.
También deben evaluarse los estudios sobre la percepción de los pacientes respecto al uso de algoritmos de AA para el diagnóstico.
El rendimiento de los modelos de IA en las tasas de FP y FN (falsos negativos), en comparación con la interpretación tradicional de ECG, varía según el modelo específico y el entorno clínico.
Los modelos de IA, en particular las CNN (convolutional neural network) basadas en aprendizaje profundo, han demostrado una mayor sensibilidad para detectar anomalías sutiles en el ECG que podrían pasar desapercibidas con el análisis tradicional de ECG, lo que reduce las tasas de FN en la detección temprana de la IC.
Sin embargo, las tasas de FP siguen siendo preocupantes, especialmente en modelos entrenados con poblaciones de alto riesgo, ya que pueden sobrediagnosticar la IC en la población general.
En entornos agudos y de emergencia, el análisis de ECG basado en IA permite la detección y el triaje rápidos de pacientes con sospecha de IC, pero desafíos como la integración en tiempo real con los flujos de trabajo clínicos, la interpretabilidad de las decisiones de IA y la confianza del médico siguen siendo obstáculos para su adopción generalizada.
El uso de ECG con IA en relojes inteligentes para la detección de la IC en situaciones reales es prometedor, pero su precisión en comparación con el ECG clínico y la ecocardiografía sigue siendo objeto de investigación, con inquietudes sobre la calidad de la señal, la adherencia del usuario y las falsas alarmas en entornos no clínicos.
La falta de validación externa más allá del algoritmo de Attia et al. plantea dudas sobre la generalización, ya que los modelos entrenados con conjuntos de datos homogéneos podrían no funcionar adecuadamente en poblaciones diversas.
El sesgo de selección en los datos de entrenamiento, en particular la subrepresentación de grupos asintomáticos o étnicamente diversos, puede generar sesgo algorítmico, lo que limita la eficacia en el cribado a gran escala.
Superar las limitaciones del entorno de entrenamiento requiere un refinamiento continuo del modelo, la inclusión de diversos conjuntos de datos y la adaptación continua de la IA a las condiciones clínicas del mundo real.
La estabilidad de los modelos de IA-ECG a lo largo del tiempo, como demostraron Harmon et al., es un hallazgo positivo, pero se necesitan estudios adicionales en diferentes regiones, etnias y sistemas sanitarios para confirmar su fiabilidad.
Las investigaciones futuras deberían priorizar los ensayos controlados aleatorizados (ECA) que evalúen el impacto de la IA en la hospitalización y la mortalidad por IC, mientras que los estudios de cohorte podrían evaluar el rendimiento de la IA a largo plazo en la práctica clínica.
La integración de marcadores bioquímicos (p. ej., péptidos natriuréticos) y determinantes socioeconómicos en los modelos de IA podría mejorar la precisión predictiva, pero la estandarización de los datos y las preocupaciones éticas sobre la privacidad de los mismos siguen siendo desafíos clave.
La limitación de utilizar solo dos bases de datos y excluir estudios con datos incompletos puede haber restringido la exhaustividad de esta revisión, lo que sugiere que futuras revisiones sistemáticas deberían incorporar más bases de datos, literatura gris y datos no publicados.
La implementación práctica de la IA en la práctica clínica diaria depende de la confianza del profesional clínico, su interpretabilidad, los requisitos de capacitación y la integración del flujo de trabajo.
La preocupación porque la IA sustituya el juicio clínico resalta la necesidad de colaboración entre el médico y la IA en lugar de la automatización.
Por otro lado, la percepción de los pacientes sobre el diagnóstico basado en IA justifica una mayor exploración para abordar la desconfianza y las preocupaciones éticas en relación con la transparencia y la responsabilidad de los datos.y rendición de cuentas algorítmica en caso de diagnóstico erróneo.
Esta revisión se basó en una pregunta de investigación bien definida y se sintetizó la evidencia actual.
Sin embargo, una posible limitación fue que se utilizaron dos bases de datos y se excluyeron los estudios con datos incompletos.
Se concluyó que los modelos basados en IA para la detección de la IC son herramientas de diagnóstico, cribado y monitorización aplicables en hospitales.
Son provechosos y ubicuos, y presentan una alta sensibilidad y especificidad en comparación con el estándar de atención.
Estos algoritmos, junto con otros parámetros como la ecocardiografía y el perfil bioquímico, contribuyen a la detección temprana, el tratamiento oportuno y la predicción de eventos cardiovasculares adversos en pacientes con IC.
Concluyendo, esta revisión demostró que los modelos basados en IA para la detección de IC mediante datos de ECG presentan una alta sensibilidad y especificidad, superando en muchos casos la interpretación tradicional del ECG al detectar anomalías sutiles y reducir los FN.
Estos modelos son ventajosos al mejorar la precisión diagnóstica, reducir los diagnósticos erróneos y potencialmente disminuir las tasas de hospitalización mediante una intervención más temprana.
La capacidad de la IA para analizar rápidamente grandes conjuntos de datos, incluyendo ECG, parámetros ecocardiográficos y marcadores bioquímicos como los péptidos natriuréticos, ofrece una evaluación más completa de la función cardíaca, lo que facilita la estratificación del riesgo y la personalización del tratamiento.
En entornos clínicos reales, la integración de la IA puede optimizar los flujos de trabajo al automatizar el análisis del ECG, respaldar la toma de decisiones clínicas y mejorar la eficiencia tanto en entornos hospitalarios como ambulatorios.
Más allá de los hospitales, la IA tiene el potencial de revolucionar la atención primaria, los servicios de urgencias y la monitorización remota mediante relojes inteligentes y dispositivos portátiles, permitiendo la vigilancia cardíaca continua y la detección temprana en poblaciones de alto riesgo.
Sin embargo, se necesita más investigación para validar los modelos de IA en diversas poblaciones de pacientes, perfeccionar los métodos de validación externa y garantizar una integración fluida en los flujos de trabajo clínicos.
A medida que se expande la adopción de IA, abordar la privacidad de los datos, la transparencia algorítmica y la aceptación de los médicos será crucial para maximizar su impacto en la atención cardiovascular y mejorar los resultados de los pacientes a nivel mundial.
Palabras clave: IA y enfermedades cardiovasculares, IA y ECG, IA e insuficiencia cardíaca, IA y robótica en la atención médica, eficacia de la IA en medicina cardíaca.
* Khan S, Qayyum K, Qadeer A, Khalid M, Anthony S, Khan W, Ghulam M, Jamil Z, Anthony N. Efficacy of AI Models in Detecting Heart Failure Using ECG Data: A Systematic Review and Meta-Analysis. Cureus. 2025 Feb 7;17(2):e78683. doi: 10.7759/cureus.78683. PMID: 40065863; PMCID: PMC11891813.
