El algoritmo, probado en millones de registros, podría transformar el diagnóstico temprano de afecciones cardíacas en todo el mundo.
Un equipo internacional de científicos ha desarrollado un modelo de inteligencia artificial (IA) capaz de detectar enfermedades cardíacas estructurales mediante electrocardiogramas (ECG) estándar. El estudio, publicado en la revista Nature, representa un avance significativo en el uso de tecnologías basadas en IA para facilitar diagnósticos tempranos, asequibles y masivos en el campo de la cardiología.
El modelo, denominado EchoNext, fue entrenado y validado utilizando más de 1 millón de registros de ritmo cardíaco e imágenes a través de un sistema de salud grande y diverso para detectar muchas formas de enfermedad cardíaca estructural. Esto representó una de las bases de datos más grandes y diversas empleadas para este tipo de investigación. El objetivo fue detectar enfermedades cardíacas estructurales, como disfunción del ventrículo izquierdo, valvulopatías, es decir, enfermedades de las válvulas cardíacas, y otras anomalías anatómicas, sin la necesidad de procedimientos de imagen más costosos o menos accesibles como el ecocardiograma.
La novedad del enfoque radica en el uso de un modelo de aprendizaje profundo o deep learning, que no solo detecta una sola enfermedad, sino que ofrece una evaluación general de múltiples afecciones estructurales del corazón. Según los autores, esto podría ayudar a priorizar a los pacientes que más necesitan atención especializada, especialmente en contextos con recursos limitados.
El modelo mostró un área bajo la curva ROC (AUROC) del 85.2% y un área bajo la curva de precisión-recall (AUPRC) del 78.5% en la detección de enfermedades estructurales del corazón en el conjunto de prueba interno. En cuanto a su validación externa y generalización, el modelo fue puesto a prueba en tres cohortes externas de Cedars-Sinai, Montreal Heart Institute y Universidad de California, San Francisco, alcanzando un AUROC del 78-80%.
Asimismo, EchoNext superó a los cardiólogos en la detección de enfermedades estructurales del corazón. El modelo obtuvo una precisó de 77.3% mientras que los cardiólogos lograron un 64%. De igual manera, el modelo mostró mayor sensibilidad (72.6% vs. 61.1%) y especificidad (80.7% vs. 66.1%).
Los autores señalan que este tipo de herramientas no pretende reemplazar a los especialistas ni los estudios de imagen, sino funcionar como un método de cribado temprano que oriente al médico sobre posibles anomalías que ameriten mayor atención. Esto podría traducirse en diagnósticos más oportunos, especialmente en lugares donde el acceso al ecocardiograma es limitado o el tiempo de espera es largo.
El estudio muestra cómo la IA es capaz de complementar las herramientas clínicas tradicionales y abrir nuevas oportunidades para la detección temprana de enfermedades cardíacas. Si se implementa adecuadamente, este tipo de modelos puede convertirse en un pilar de la medicina preventiva, ayudando a salvar vidas al identificar problemas cardíacos antes de que se conviertan en un problema más grave. El siguiente paso, según los investigadores, será llevar esta tecnología a ensayos clínicos prospectivos en escenarios reales de atención primaria.
