{"id":66016,"date":"2025-12-19T09:58:46","date_gmt":"2025-12-19T15:58:46","guid":{"rendered":"https:\/\/saluddigital.com\/?p=66016"},"modified":"2025-12-19T10:02:03","modified_gmt":"2025-12-19T16:02:03","slug":"modelo-de-ia-mejora-la-deteccion-de-enfermedades-cardiacas-complejas-a-partir-de-electrocardiogramas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/modelo-de-ia-mejora-la-deteccion-de-enfermedades-cardiacas-complejas-a-partir-de-electrocardiogramas\/","title":{"rendered":"Modelo de IA mejora la detecci\u00f3n de enfermedades card\u00edacas complejas a partir de electrocardiogramas"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

El modelo fundacional desarrollado en la Universidad de Michigan permite a los m\u00e9dicos identificar disfunci\u00f3n microvascular coronaria a trav\u00e9s de una tira de ECG de diez segundos. <\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de la Universidad de Michigan publicaron un estudio en NEJM AI<\/em><\/a>, sobre un modelo de inteligencia artificial (IA), entrenado para detectar una condici\u00f3n compleja del coraz\u00f3n llamada disfunci\u00f3n microvascular coronaria<\/strong>, que requiere t\u00e9cnicas de imagen avanzadas para su diagn\u00f3stico. El estudio aborda una limitaci\u00f3n importante en el uso de la IA aplicada al electrocardiograma (ECG). Aunque existen grandes avances en modelos de IA capaces de detectar alteraciones estructurales y funcionales del coraz\u00f3n a partir del ECG, muchas aplicaciones cl\u00ednicas de alto valor siguen poco desarrolladas. Esto ocurre especialmente en el caso de la isquemia mioc\u00e1rdica y las disfunciones microvasculares y vasomotoras coronarias, condiciones relevantes pero dif\u00edciles de estudiar porque requieren pruebas avanzadas y costosas, como estudios de imagen especializados, que generan pocos datos etiquetados para entrenar modelos de IA.<\/p>

Para superar esta limitaci\u00f3n, los investigadores desarrollaron un modelo fundacional de ECG basado en aprendizaje autosupervisado<\/strong>. Este enfoque permite que el modelo aprenda patrones directamente de grandes vol\u00famenes de datos sin necesidad de etiquetas cl\u00ednicas. En este caso, el modelo fue preentrenado utilizando m\u00e1s de 800 mil electrocardiogramas sin etiquetar de la base de datos MIMIC-IV-ECG, lo que le permiti\u00f3 captar caracter\u00edsticas generales de la se\u00f1al el\u00e9ctrica del coraz\u00f3n antes de ser entrenado para tareas cl\u00ednicas espec\u00edficas.<\/p>

Posteriormente, el modelo fue ajustado con conjuntos de datos mucho m\u00e1s peque\u00f1os pero con informaci\u00f3n cl\u00ednica de alta calidad. Estas etiquetas provinieron tanto de estudios de tomograf\u00eda por emisi\u00f3n de positrones como de reportes cl\u00ednicos, y se utilizaron para entrenar al modelo en 12 tareas distintas, que incluyeron predicciones cl\u00ednicas, demogr\u00e1ficas y par\u00e1metros tradicionales del ECG. Este proceso permiti\u00f3 evaluar si un modelo entrenado inicialmente sin etiquetas pod\u00eda adaptarse eficazmente a problemas cl\u00ednicos complejos con pocos datos bien caracterizados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cNuestro modelo permite a los m\u00e9dicos identificar con precisi\u00f3n una afecci\u00f3n que es muy dif\u00edcil de diagnosticar, y que a menudo se pasa por alto en las visitas a urgencias, utilizando una tira de ECG de 10 segundos<\/strong>\u201d afirm\u00f3 el autor principal, el Dr. Venkatesh L. Murthy, jefe adjunto de cardiolog\u00eda para la investigaci\u00f3n traslacional y la innovaci\u00f3n en el Centro Cardiovascular Frankel de la Universidad de Michigan.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los resultados mostraron que el desempe\u00f1o diagn\u00f3stico del modelo fue alto, aunque variable seg\u00fan la tarea. Sin embargo, la precisi\u00f3n fue menor para la detecci\u00f3n de reserva de flujo mioc\u00e1rdico reducida, una medida relacionada con la circulaci\u00f3n coronaria, y mayor para la identificaci\u00f3n de fracci\u00f3n de eyecci\u00f3n ventricular izquierda gravemente disminuida, un indicador clave de la funci\u00f3n card\u00edaca. Adem\u00e1s, en casi todas las tareas evaluadas, el preentrenamiento con aprendizaje autosupervisado mejor\u00f3 de forma significativa la precisi\u00f3n del modelo en comparaci\u00f3n con modelos entrenados \u00fanicamente con datos etiquetados desde cero. \u201cB\u00e1sicamente, ense\u00f1amos al modelo a \u201ccomprender\u201d el lenguaje el\u00e9ctrico del coraz\u00f3n sin supervisi\u00f3n humana\u201d, explic\u00f3 el Dr. Murthy.<\/p>

Un aspecto relevante del estudio es que el modelo mantuvo un buen desempe\u00f1o cuando se evalu\u00f3 en m\u00faltiples cohortes externas e internas, incluyendo bases de datos ampliamente utilizadas como PTB-XL y UK Biobank, as\u00ed como etiquetas obtenidas mediante diferentes modalidades de imagen card\u00edaca. Esto sugiere que el modelo no solo es preciso, sino tambi\u00e9n generalizable, es decir, capaz de funcionar adecuadamente en poblaciones y contextos cl\u00ednicos distintos a aquellos en los que fue entrenado.<\/p>

\u201cLas personas que acuden a urgencias por dolor tor\u00e1cico pueden padecer disfunci\u00f3n microvascular coronaria, pero su angiograma aparecer\u00e1 como limpio\u201d, explic\u00f3 el Dr. Sascha N. Goonewardena, profesor asociado de Medicina Interna-Cardiolog\u00eda en la Universidad de Michigan y coautor del estudio.<\/p>

\u201cEn hospitales con recursos limitados o centros no especializados, el uso de nuestro modelo de IA para ECG para predecir la reserva de flujo mioc\u00e1rdico ser\u00e1 una forma f\u00e1cil, rentable y no invasiva de identificar cu\u00e1ndo un paciente se beneficiar\u00eda de pruebas avanzadas para una afecci\u00f3n grave\u201d.<\/p>

En conclusi\u00f3n, el estudio demuestra que los modelos fundacionales de ECG entrenados con aprendizaje autosupervisado pueden mejorar tanto la precisi\u00f3n diagn\u00f3stica como la capacidad de generalizaci\u00f3n de la inteligencia artificial en cardiolog\u00eda. Este enfoque resulta especialmente valioso para aplicaciones cl\u00ednicas complejas donde los datos etiquetados son escasos y costosos de obtener, como la detecci\u00f3n de isquemia mioc\u00e1rdica y disfunci\u00f3n microvascular coronaria, abriendo la puerta a herramientas de diagn\u00f3stico m\u00e1s accesibles basadas en una prueba simple, no invasiva y ampliamente disponible como el electrocardiograma.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MICHIGAN MEDICINE<\/strong><\/p>

https:\/\/www.michiganmedicine.org\/health-lab\/ai-model-helps-diagnose-often-undetected-heart-disease-simple-ekg<\/a><\/p>

NEJM AI<\/strong><\/p>

https:\/\/ai.nejm.org\/doi\/full\/10.1056\/AIoa2500164#summary-abstract<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Modelo fundacional de IA mejora la detecci\u00f3n de enfermedades card\u00edacas complejas a partir de electrocardiogramas.<\/p>","protected":false},"author":1,"featured_media":66017,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-66016","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66016","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=66016"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66016\/revisions"}],"predecessor-version":[{"id":66021,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66016\/revisions\/66021"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/66017"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=66016"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=66016"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=66016"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}