Por Canuto  

Investigadores del Imperial College de Londres desarrollaron una IA que analiza un electrocardiograma en menos de dos segundos y detecta señales asociadas con insuficiencia cardíaca y enfermedad valvular que los clínicos no identifican de forma fiable. El sistema podría ayudar a priorizar ecografías, aunque todavía necesita validación clínica y aprobación regulatoria antes de usarse de manera rutinaria.
***

  • La herramienta identificó hasta 81% de los casos de insuficiencia cardíaca y hasta 90% de la enfermedad valvular en una evaluación con 67.000 pacientes de Estados Unidos.
  • El objetivo es apoyar el triaje y reducir las esperas por ecocardiogramas, no reemplazar a cardiólogos ni a otros profesionales de la salud.
  • El equipo entrenó sus modelos con 1,6 millones de ECG de Brasil y varios millones de registros estadounidenses, mientras prepara dispositivos portátiles con IA integrada.

Investigadores del Imperial College de Londres entrenaron un sistema de inteligencia artificial capaz de leer un electrocardiograma, o ECG, en menos de dos segundos y encontrar señales asociadas con insuficiencia cardíaca y enfermedad valvular. La evaluación incluyó a 67.000 pacientes en Estados Unidos, y los resultados fueron presentados en el congreso de la Sociedad Europea de Cardiología celebrado en Múnich, según reportó The Guardian a partir de la información difundida por The Next Web. La herramienta alcanzó una identificación de hasta 81% para insuficiencia cardíaca y hasta 90% para enfermedad valvular, aunque el ECG no fue creado originalmente para diagnosticar ninguna de esas condiciones.

El hallazgo no significa que la IA reemplace una evaluación médica completa, sino que puede extraer patrones que los profesionales no logran reconocer de manera consistente en el trazado. El Dr. Ahmed El-Medany, investigador clínico de la British Heart Foundation en el Imperial, describió el desempeño como una forma de «IA superhumana», una expresión que se refiere específicamente a la capacidad del sistema para detectar información presente en la señal, pero difícil de interpretar por los clínicos sin asistencia tecnológica.

Una herramienta para reducir la espera cardíaca

La insuficiencia cardíaca ocurre cuando el corazón no bombea la sangre con suficiente eficacia para cubrir las necesidades del organismo, mientras que la enfermedad valvular afecta las estructuras que controlan el flujo de sangre dentro del corazón. Ambas condiciones pueden requerir pruebas adicionales para confirmar su presencia, y los retrasos resultan especialmente relevantes en la insuficiencia cardíaca porque la enfermedad puede progresar mientras el paciente espera una evaluación más completa.

El profesor Fu Siong Ng, catedrático de cardiología del Imperial, señaló que los pacientes suelen esperar varios meses por una ecografía cardíaca después de ser derivados por su médico. Un ecocardiograma exige un sonografista capacitado, equipo especializado y una cita específica, mientras que un ECG puede realizarse con diez electrodos y la participación de una enfermera, por lo que suele estar disponible con mucha mayor frecuencia.

La propuesta del equipo consiste en analizar los ECG que ya se realizan durante la atención médica y utilizarlos para ordenar mejor la lista de pacientes que necesitan una ecografía. En lugar de avanzar únicamente según el orden de la derivación, quienes presenten una mayor probabilidad de anomalía estructural podrían recibir prioridad, siempre bajo la supervisión de los profesionales responsables del diagnóstico y el tratamiento.

«Una tecnología como la IA de ECG en esta investigación podría ser una solución para acelerar a los pacientes con mayor probabilidad de tener una anomalía cardíaca», afirmó la Dra. Sonya Babu-Narayan, cardióloga consultora de la British Heart Foundation. La ventaja potencial también está relacionada con los costos, porque añadir un software a una prueba barata y extendida exigiría menos infraestructura adicional que ampliar de inmediato la capacidad de ecocardiografía.

Datos de Brasil y expansión del modelo

La evaluación estadounidense forma parte de un programa de investigación más amplio dirigido por el grupo de Ng. Para entrenar sus modelos, el equipo utilizó 1,6 millones de ECG de Brasil vinculados con historiales clínicos, además de varios millones de registros adicionales procedentes de Estados Unidos, una combinación que permite relacionar los patrones eléctricos con la evolución posterior de los pacientes.

Ese vínculo temporal resulta importante porque el modelo no aprende solamente a reconocer enfermedades ya identificadas cuando se realiza la prueba. También puede estudiar qué características del ECG se asociaron con diagnósticos que aparecieron más adelante, una estrategia que busca revelar señales tempranas antes de que el problema haya sido confirmado por métodos específicos.

El programa no se limita a la insuficiencia cardíaca ni a la enfermedad valvular. Los investigadores también han utilizado sus modelos para identificar infartos y arritmias, así como condiciones ajenas a la cardiología, entre ellas diabetes y enfermedad renal; en ese trabajo más amplio, reportaron precisiones de entre 83% y 93% para enfermedades cardíacas y de 70% a 80% para las demás condiciones.

La expansión de estas aplicaciones muestra por qué los ECG pueden convertirse en una fuente de información clínica más amplia cuando se combinan con aprendizaje automático. Sin embargo, una precisión medida en un conjunto de datos o en una evaluación no demuestra por sí sola que el uso del sistema mejore la supervivencia, adelante los tratamientos o reduzca complicaciones en hospitales que atienden poblaciones diferentes.

De la investigación académica a los hospitales

El proyecto también avanzó hacia la comercialización mediante Cardiovolt.ai, una empresa derivada de la investigación financiada por la British Heart Foundation. Ng ocupa el cargo de director médico y el Dr. Arunashis Sau se desempeña como director científico, mientras el equipo explora cómo llevar la herramienta desde el entorno universitario hacia flujos de trabajo clínicos y dispositivos de uso más flexible.

El siguiente paso declarado incluye hardware además del software, con dispositivos ECG de mano que incorporarían la inteligencia artificial directamente en el proceso de registro. Esa posibilidad podría ampliar el alcance de la tecnología más allá de los hospitales, aunque también modificaría su función: dejaría de servir únicamente para priorizar pacientes ya derivados y podría empezar a identificar a personas que todavía no han sido enviadas a pruebas adicionales.

Ese cambio abriría oportunidades, pero también elevaría las exigencias de seguridad y supervisión. Un sistema que recomienda qué pacientes deberían ser derivados está realizando una afirmación clínica, incluso si no entrega por sí mismo el diagnóstico definitivo, y por ello debe demostrar que sus resultados son confiables en los contextos donde pretende utilizarse.

Reino Unido mantiene pendiente el proceso que separa un resultado presentado en un congreso médico de su adopción rutinaria. Antes de un despliegue amplio, el sistema deberá pasar por validación clínica y cumplir los requisitos regulatorios aplicables a dispositivos médicos; además, será necesario comprobar si usar sus predicciones en la práctica realmente produce diagnósticos más tempranos y mejores resultados para los pacientes.

El desafío de validar la inteligencia artificial médica

La investigación ilustra una diferencia fundamental entre detectar una correlación y tomar una decisión médica. Que un algoritmo encuentre señales asociadas con una enfermedad en un ECG no garantiza que todos los pacientes marcados tengan la misma probabilidad de padecerla, ni que una derivación adicional sea igualmente útil en todos los sistemas de salud.

La calidad de los datos también puede influir en el desempeño del modelo. Los ECG brasileños y estadounidenses permitieron entrenar el sistema con grandes volúmenes de registros vinculados a historiales, pero la herramienta aún tendría que evaluarse en poblaciones, equipos, protocolos y niveles de acceso médico distintos antes de asumir que sus resultados se mantienen sin cambios.

Además, los porcentajes de identificación comunicados en la evaluación deben interpretarse junto con otros indicadores clínicos que no aparecen en la información disponible. Para decidir si una herramienta es adecuada, hospitales y reguladores suelen necesitar conocer sus falsos positivos, sus falsos negativos, la consistencia entre centros y el impacto que genera sobre el trabajo del personal médico.

Por ahora, la IA de Imperial College representa una posible capa de triaje sobre una prueba económica y ampliamente disponible, no un sustituto de la ecografía ni del criterio profesional. Su promesa dependerá de que la validación posterior confirme que las señales ocultas en el ECG pueden convertirse, de manera segura y regulada, en atención más rápida y mejores resultados.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados