{"id":69504,"date":"2026-05-20T10:26:16","date_gmt":"2026-05-20T16:26:16","guid":{"rendered":"https:\/\/saluddigital.com\/?p=69504"},"modified":"2026-05-20T10:45:30","modified_gmt":"2026-05-20T16:45:30","slug":"modelo-de-ia-detecta-con-precision-senales-de-riesgo-de-infarto-cerebral-en-ecg","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/modelo-de-ia-detecta-con-precision-senales-de-riesgo-de-infarto-cerebral-en-ecg\/","title":{"rendered":"Modelo de IA detecta con precisi\u00f3n se\u00f1ales de riesgo de infarto cerebral en ECG"},"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

Investigadores del Mass General Brigham entrenaron una red neuronal con datos de m\u00e1s de 200 mil pacientes para predecir el riesgo de ictus isqu\u00e9mico a diez a\u00f1os, con resultados que apuntan a anomal\u00edas en la actividad auricular como mecanismo subyacente.<\/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 investigadores del Mass General Brigham desarroll\u00f3 un modelo de inteligencia artificial capaz de estimar el riesgo de infarto cerebral isqu\u00e9mico a diez a\u00f1os a partir de un electrocardiograma est\u00e1ndar de 12 derivaciones, con una precisi\u00f3n similar a la del Perfil de Riesgo de Ictus de Framingham revisado, una de las herramientas cl\u00ednicas de referencia en este campo. El estudio, publicado en JACC Journals<\/em><\/a>, analiz\u00f3 datos de m\u00e1s de 200 mil pacientes atendidos en tres hospitales del sistema de salud de Boston.<\/p>

El modelo, denominado ECG2Stroke, fue entrenado mediante una red neuronal convolucional con registros electrocardiogr\u00e1ficos de 101,496 pacientes del Mass General Brigham, con una edad promedio de 57 a\u00f1os y 48% de mujeres. Las probabilidades generadas por la red se integraron con variables de edad y sexo en un modelo estad\u00edstico de supervivencia. Su desempe\u00f1o se evalu\u00f3 posteriormente en tres cohortes independientes: un conjunto de prueba del propio MGH con 4,771 personas, una muestra del Brigham and Women’s Hospital con 68,884 pacientes y otra del Beth Israel Deaconess Medical Center con 29,882 participantes.<\/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

En los tres conjuntos de validaci\u00f3n, el modelo alcanz\u00f3 una discriminaci\u00f3n moderada para predecir el ictus isqu\u00e9mico incidente a diez a\u00f1os, con valores del \u00e1rea bajo la curva, m\u00e9trica que mide la capacidad del modelo para distinguir entre quienes desarrollar\u00e1n o no la enfermedad, de 0.795, 0.774 y 0.772, respectivamente. El error de calibraci\u00f3n fue bajo en los tres casos. Al compararlo con el perfil de Framingham en los subgrupos con datos disponibles, ECG2Stroke mostr\u00f3 un rendimiento equivalente o ligeramente superior. La capacidad predictiva se mantuvo en distintos subgrupos, incluidos pacientes con y sin fibrilaci\u00f3n auricular.<\/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

\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\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

El an\u00e1lisis de los mapas de saliencia, que se\u00f1alan qu\u00e9 regiones del electrocardiograma influyen m\u00e1s en las predicciones del modelo, destac\u00f3 la onda P, el componente del trazado que refleja la actividad el\u00e9ctrica de las aur\u00edculas. Las estimaciones de riesgo mostraron una correlaci\u00f3n significativa con \u00edndices estructurados de esa onda, y el modelo se asoci\u00f3 con fuerza al ictus de origen cardioemb\u00f3lico, con una raz\u00f3n de riesgo espec\u00edfica por causa de 2.17 por desviaci\u00f3n est\u00e1ndar, pero no al ictus no cardioemb\u00f3lico. Estos hallazgos sugieren que el modelo podr\u00eda estar capturando marcadores de alteraciones en el sustrato auricular vinculadas a la formaci\u00f3n de \u00e9mbolos card\u00edacos.<\/p>

Los autores se\u00f1alan que las herramientas disponibles para identificar a los pacientes con mayor riesgo de ictus suelen requerir c\u00e1lculos complejos, no son f\u00e1cilmente escalables y, por ello, no se emplean de forma generalizada en la pr\u00e1ctica cl\u00ednica habitual, seg\u00fan indic\u00f3 el coautor principal Rahul Mahajan, neur\u00f3logo del Mass General Brigham Neuroscience Institute. Asimismo, el coautor principal Shaan Khurshid, cardi\u00f3logo del Mass General Brigham Heart and Vascular Institute, apunt\u00f3 que, de confirmarse en estudios prospectivos en entornos reales, este tipo de herramientas podr\u00eda ayudar a identificar qu\u00e9 pacientes deben ser priorizados para intervenciones intensivas de prevenci\u00f3n, y que tambi\u00e9n podr\u00eda impulsar investigaci\u00f3n mecan\u00edstica sobre las anomal\u00edas en las c\u00e1maras superiores del coraz\u00f3n y su relaci\u00f3n con el ictus.<\/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

MASS GENERAL BRIGHAM<\/strong><\/p>

https:\/\/www.massgeneralbrigham.org\/en\/about\/newsroom\/press-releases\/ai-model-predicts-10-year-stroke-risk<\/a><\/p>

JACC<\/strong><\/p>

https:\/\/www.jacc.org\/doi\/10.1016\/j.jacc.2026.03.084<\/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 de IA desarrollado por investigadores de Mass General Brigham detecta con precisi\u00f3n se\u00f1ales de riesgo de infarto cerebral en ECG.<\/p>","protected":false},"author":1,"featured_media":69506,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-69504","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\/69504","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=69504"}],"version-history":[{"count":5,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/69504\/revisions"}],"predecessor-version":[{"id":69510,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/69504\/revisions\/69510"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/69506"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=69504"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=69504"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=69504"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}