{"id":67690,"date":"2026-02-20T10:06:33","date_gmt":"2026-02-20T16:06:33","guid":{"rendered":"https:\/\/saluddigital.com\/?p=67690"},"modified":"2026-02-20T10:25:31","modified_gmt":"2026-02-20T16:25:31","slug":"ia-para-predecir-la-mortalidad-en-insuficiencia-cardiaca-con-datos-clinicos-rutinarios","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-para-predecir-la-mortalidad-en-insuficiencia-cardiaca-con-datos-clinicos-rutinarios\/","title":{"rendered":"IA para predecir la mortalidad en insuficiencia card\u00edaca con datos cl\u00ednicos rutinarios"},"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 de deep learning, TRisk, super\u00f3 a otras herramientas pron\u00f3sticas al predecir con mayor precisi\u00f3n el riesgo de muerte en personas con insuficiencia card\u00edaca.<\/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

Un equipo de Oxford desarroll\u00f3 un modelo de inteligencia artificial (IA) capaz de predecir con mayor precisi\u00f3n el riesgo de muerte en personas con insuficiencia card\u00edaca utilizando \u00fanicamente datos cl\u00ednicos rutinarios. El estudio, publicado en npj Digital Medicine journal<\/em><\/a>, presenta TRisk, un modelo basado en arquitectura Transformer que supera a las herramientas pron\u00f3sticas convencionales y demuestra su utilidad tanto en Reino Unido como en Estados Unidos. Un art\u00edculo sobre TRisk fue publicado previamente en The Lancet Digital Health<\/em><\/a> en junio del a\u00f1o pasado.<\/p>

La insuficiencia cardiaca es un s\u00edndrome complejo con evoluci\u00f3n impredecible. Aunque existen escalas de riesgo ampliamente utilizadas, como el modelo MAGGIC, muchas dependen de estudios especializados, por ejemplo la fracci\u00f3n de eyecci\u00f3n ventricular izquierda o la clasificaci\u00f3n funcional NYHA, que no siempre est\u00e1n disponibles en los registros electr\u00f3nicos de salud.<\/p>

Adem\u00e1s, estos modelos suelen tener una capacidad discriminativa moderada para predecir resultados a mediano plazo, es decir, de uno o tres a\u00f1os, un periodo clave para ajustar tratamientos, planificar intervenciones y evaluar la calidad de la atenci\u00f3n. En muchos pacientes, la mortalidad no depende solo del coraz\u00f3n, sino de m\u00faltiples comorbilidades acumuladas a lo largo del tiempo.<\/p>

\u201cLos pacientes con insuficiencia card\u00edaca tienen trayectorias de salud complejas que los modelos de riesgo tradicionales simplemente no estaban dise\u00f1ados para captar. TRisk cambia eso: utiliza la informaci\u00f3n m\u00e9dica que ya figura en los registros de atenci\u00f3n rutinaria para predecir la mortalidad y otros resultados cl\u00ednicos con mayor precisi\u00f3n que las herramientas existentes, sin necesidad de pruebas adicionales ni derivaciones a especialistas\u201d, expres\u00f3 Kazem Rahimi, profesor de Medicina Cardiovascular y Salud de la Poblaci\u00f3n en Oxford.<\/p>

TRisk es un modelo de aprendizaje profundo o deep learning<\/em> basado en Transformers, una arquitectura originalmente dise\u00f1ada para procesar lenguaje natural, pero que en este caso se adapta a secuencias cl\u00ednicas. El sistema analiza la trayectoria completa del paciente antes de un punto determinado, incorporando diagn\u00f3sticos, medicamentos y procedimientos registrados a lo largo del tiempo.<\/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

En el estudio, los investigadores entrenaron el modelo con datos de m\u00e1s de 400 mil pacientes con insuficiencia cardiaca provenientes de 1,418 consultas de atenci\u00f3n primaria en Inglaterra. Posteriormente validaron el desempe\u00f1o en un subconjunto independiente de pacientes del mismo pa\u00eds y, de forma externa, en una base hospitalaria de Estados Unidos.<\/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

A diferencia de modelos tradicionales que utilizan un n\u00famero limitado de variables seleccionadas, TRisk procesa miles de c\u00f3digos cl\u00ednicos y aprende patrones complejos sin necesidad de imputar datos faltantes ni restringirse a marcadores cardiol\u00f3gicos espec\u00edficos.<\/p>

En la cohorte del Reino Unido, TRisk alcanz\u00f3 un \u00edndice C de 0.845 para predecir mortalidad a 36 meses, frente a 0.728 del modelo MAGGIC adaptado a registros electr\u00f3nicos. En t\u00e9rminos pr\u00e1cticos, esto significa una mejor capacidad para distinguir entre pacientes con alto y bajo riesgo.<\/p>

El modelo tambi\u00e9n mostr\u00f3 mejor desempe\u00f1o en an\u00e1lisis por subgrupos, con menor variabilidad entre hombres y mujeres, distintos rangos de edad y perfiles cl\u00ednicos, lo que sugiere menor sesgo en las predicciones.<\/p>

Cuando se aplic\u00f3 a datos hospitalarios de Estados Unidos mediante t\u00e9cnicas de transferencia de aprendizaje, TRisk mantuvo un alto rendimiento, con un \u00edndice C de 0.802. Este resultado es relevante porque demuestra que el modelo puede adaptarse a distintos sistemas de salud y pr\u00e1cticas cl\u00ednicas.<\/p>

\u201cLo que realmente nos entusiasm\u00f3 fue que TRisk funcion\u00f3 de manera consistente en diferentes grupos de pacientes, seg\u00fan el sexo, la edad y las caracter\u00edsticas cl\u00ednicas. En una \u00e9poca en la que nos preocupa, con raz\u00f3n, el sesgo algor\u00edtmico en la atenci\u00f3n sanitaria, este modelo demuestra que podemos crear herramientas de IA que funcionen de manera equitativa\u201d, explic\u00f3 el Dr. Shishir Rao, investigador cient\u00edfico y director de investigaci\u00f3n de Deep Medicine AI.<\/p>

Adem\u00e1s, en an\u00e1lisis de impacto cl\u00ednico, TRisk redujo de manera sustancial tanto los falsos positivos como los falsos negativos en comparaci\u00f3n con el modelo convencional, lo que podr\u00eda traducirse en decisiones m\u00e1s acertadas sobre derivaciones, cuidados paliativos o priorizaci\u00f3n de tratamientos.<\/p>

Uno de los aportes del estudio es el an\u00e1lisis de explicabilidad del modelo. Mediante t\u00e9cnicas de atribuci\u00f3n, los investigadores identificaron qu\u00e9 eventos cl\u00ednicos contribu\u00edan m\u00e1s a las predicciones.<\/p>

Entre los factores m\u00e1s influyentes se encontraron el paro cardiaco, la insuficiencia hep\u00e1tica, la insuficiencia respiratoria y, de forma consistente en ambos pa\u00edses, distintos tipos de c\u00e1ncer. Llamativamente, los diagn\u00f3sticos oncol\u00f3gicos mantuvieron valor pron\u00f3stico incluso cuando hab\u00edan ocurrido m\u00e1s de diez a\u00f1os antes del punto de evaluaci\u00f3n.<\/p>

Este hallazgo sugiere que el riesgo en insuficiencia cardiaca no depende solo del estado cardiovascular actual, sino de la historia cl\u00ednica completa del paciente, incluidas enfermedades previas y sus posibles secuelas a largo plazo, como inflamaci\u00f3n cr\u00f3nica o efectos cardiot\u00f3xicos de ciertos tratamientos.<\/p>

Los autores plantean que TRisk podr\u00eda utilizarse como herramienta de apoyo a la decisi\u00f3n cl\u00ednica sin requerir pruebas adicionales ni aumentar la carga de trabajo. A nivel poblacional, permitir\u00eda auditar la calidad de los servicios de insuficiencia cardiaca. A nivel individual, podr\u00eda ayudar a identificar pacientes que necesitan seguimiento m\u00e1s estrecho o intervenciones anticipadas.<\/p>

No obstante, tambi\u00e9n reconocen limitaciones, ya que el modelo requiere acceso a registros electr\u00f3nicos completos y no puede simplificarse f\u00e1cilmente a una puntuaci\u00f3n breve. Adem\u00e1s, aunque mostr\u00f3 buena generalizaci\u00f3n internacional, su implementaci\u00f3n en nuevos entornos requerir\u00eda validaci\u00f3n y recalibraci\u00f3n local.\u00a0<\/strong><\/p>

De esta manera, el estudio muestra que los modelos basados en IA son capaces de capturar la complejidad real de los pacientes con insuficiencia cardiaca mejor que las escalas tradicionales.<\/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

OXFORD<\/strong><\/p>

https:\/\/www.wrh.ox.ac.uk\/news\/new-ai-model-could-improve-prediction-of-medium-term-mortality-in-heart-failure-patients<\/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":"

TRisk, el modelo de IA para predecir la mortalidad en insuficiencia card\u00edaca con datos cl\u00ednicos rutinarios, desarrollado en Oxford.<\/p>","protected":false},"author":1,"featured_media":67691,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-67690","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\/67690","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=67690"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67690\/revisions"}],"predecessor-version":[{"id":67695,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67690\/revisions\/67695"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/67691"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=67690"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=67690"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=67690"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}