El sistema PULSE-HF analiza electrocardiogramas para anticipar con hasta un año de antelación el riesgo de empeoramiento de la función del ventrículo izquierdo, abriendo la puerta a intervenciones más tempranas y efectivas.
Un equipo de investigadores del MIT, el Massachusetts General Hospital y Harvard Medical School desarrolló un modelo de artificial intelligence (AI) capaz de predecir con alta precisión si un paciente con insuficiencia cardíaca experimentará un deterioro significativo de la función del corazón en el transcurso del año siguiente. El estudio fue publicado en eClinicalMedicine.
La herramienta, denominada PULSE-HF, se enfoca en una medición clave en el manejo de la insuficiencia cardíaca como lo es la fracción de eyección del ventrículo izquierdo (FEVI, en inglés), un indicador que refleja qué tan bien bombea sangre el corazón con cada latido. Cuando la FEVI cae por debajo del 40%, el paciente entra en una categoría de alto riesgo que requiere tratamientos específicos y seguimiento intensivo. El problema es que este deterioro puede ocurrir de forma silenciosa, sin que los médicos tengan herramientas precisas para anticiparlo antes de que ocurra.
PULSE-HF aborda ese vacío combinando dos fuentes de información, las señales eléctricas del corazón registradas en un electrocardiograma de 12 derivaciones y el historial previo de mediciones de FEVI del paciente. A partir de esos datos, el modelo calcula la probabilidad de que la función cardíaca se deteriore de forma significativa en los doce meses siguientes. El sistema fue desarrollado con datos del Massachusetts General Hospital y validado de manera independiente en dos instituciones adicionales, el Brigham and Women’s Hospital y una base de datos clínica de acceso público conocida como MIMIC IV, que reunió información de miles de pacientes con insuficiencia cardíaca atendidos entre 2000 y 2021.
“El modelo toma un electrocardiograma y genera una predicción sobre si habrá o no una fracción de eyección inferior al 40% en el próximo año”, explica Tiffany Yau, estudiante de doctorado del MIT y coautora principal del artículo. “Ese es el subgrupo más grave de insuficiencia cardíaca”.
Los resultados del modelo son notables, ya que en los tres conjuntos de datos evaluados, PULSE-HF alcanzó una capacidad discriminatoria de entre 87.5% y 91.4% para identificar correctamente a los pacientes que experimentarían un deterioro de la FEVI en el año siguiente, una cifra considerablemente superior a la de modelos previos basados en registros clínicos electrónicos, que rondaban entre el 54% y el 68%. Entre los pacientes que partían con una función cardíaca aún conservada, es decir, con FEVI superior al 40%, el modelo mantuvo una capacidad predictiva de entre 81.6% y 86.3%, lo que lo convierte en una herramienta especialmente útil para identificar de forma anticipada a quienes están en riesgo de empeorar antes de que el daño sea evidente.
Uno de los hallazgos más prometedores del estudio es que el modelo mantiene un rendimiento similar cuando se entrena con una sola derivación del electrocardiograma, específicamente la derivación I, que es la que registran la mayoría de los dispositivos portátiles y relojes inteligentes equipados con sensores cardíacos. Esto abre la posibilidad de integrar PULSE-HF en dispositivos de monitoreo remoto, permitiendo una vigilancia continua del riesgo fuera del entorno hospitalario y sin necesidad de procedimientos costosos o invasivos.
Desde el punto de vista clínico, la herramienta podría transformar la forma en que se gestiona el seguimiento de los pacientes con insuficiencia cardíaca. Actualmente, las guías de práctica clínica recomiendan realizar ecocardiogramas de seguimiento solo cuando el resultado podría cambiar la decisión terapéutica. Con PULSE-HF, los médicos contarían con un criterio adicional y más preciso para priorizar qué pacientes necesitan ese estudio con mayor urgencia, optimizando el uso de recursos y permitiendo iniciar tratamientos cardioprotectores antes de que el daño se consolide.
Los propios autores señalan que el estudio tiene limitaciones importantes, ya que al tratarse de una evaluación retrospectiva, los datos utilizados corresponden a decisiones clínicas tomadas en el pasado, lo que puede introducir sesgos relacionados con los criterios de cada institución para solicitar ecocardiogramas. Además, el modelo aún no ha sido evaluado en estudios prospectivos, es decir, en tiempo real con pacientes nuevos, lo que será necesario antes de su implementación clínica rutinaria. También se requiere validar si la versión de derivación única mantiene su rendimiento con datos provenientes de dispositivos portátiles reales, cuyas señales tienden a ser de menor calidad que las obtenidas en entornos clínicos controlados.
PULSE-HF representa un avance relevante en la aplicación de la AI artificial al manejo de enfermedades cardiovasculares crónicas. La insuficiencia cardíaca sigue siendo una de las principales causas de mortalidad en personas mayores de 65 años, con tasas de supervivencia a cinco años que en muchos casos no superan el 50%. En este sentido, contar con herramientas capaces de anticipar el deterioro cardíaco a partir de pruebas de bajo costo y amplia disponibilidad como el electrocardiograma podría marcar una diferencia significativa en la calidad de vida y el pronóstico de pacientes.
