Inteligencia artificial en el diagnóstico cardiovascular
Un grupo de investigadores que se desempeñan en el Instituto de Educación Superior Spinghar de Kabul, Afganistán y del Instituto de Servicios de Ciencias Médicas de Lahore, Pakistán realizaron una revisión sistemática y un análisis descriptivo de las aplicaciones clínicas y el rendimiento diagnóstico de la inteligencia artificial en el diagnóstico cardiovascular, y publicaron sus resultados en la edición del 28 de noviembre de 2025 del BMC Cardiovascular Disorders*.
La NOTICIA DEL DÍA se ocupará hoy de comentar esta publicación.
Al abordar la introducción y los antecedentes del tema, los autores destacaron que la inteligencia artificial (IA) ha surgido rápidamente como una herramienta transformadora en la medicina cardiovascular, ofreciendo un potencial sin precedentes para mejorar la precisión diagnóstica, la detección temprana y la estratificación del riesgo en pacientes con estas patologías.
Aprovechando tecnologías como el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural, la IA permite la extracción de patrones complejos de datos clínicos que a menudo son imperceptibles para los evaluadores humanos.
Un creciente número de investigaciones ha demostrado la eficacia de la IA en la interpretación de señales electrocardiográficas (ECG) para detectar anomalías estructurales y predecir resultados cardiovasculares adversos.
Por ejemplo, se ha demostrado que los ECG de una y doce derivaciones analizados con IA predicen futuras cardiopatías estructurales y eventos cardiovasculares, incluso en personas asintomáticas.
Modelos novedosos como SleepMI y los registros QT en relojes inteligentes han extendido estas capacidades a entornos ambulatorios y nocturnos, lo que permite la monitorización del riesgo en tiempo real más allá de los entornos clínicos tradicionales.
Las herramientas de imagenología basadas en IA también están ganando terreno en la práctica clínica.
Los estudios de resonancia magnética cardiovascular (RMC) y angiografía por tomografía computarizada coronaria (ACTC) que utilizan análisis mejorados con IA han mejorado significativamente la cuantificación de la tensión miocárdica y la predicción de eventos cardiovasculares adversos mayores.
Además, se están desarrollando modelos de IA explicables para facilitar la toma de decisiones clínicas transparentes, mejorando así la confianza de los médicos y la interpretabilidad de los resultados automatizados.
A nivel poblacional, las aplicaciones de IA han demostrado ser prometedoras para abordar las disparidades en la atención médica, especialmente entre las comunidades minoritarias y marginadas a través de la investigación participativa basada en la comunidad y el diagnóstico remoto.
Además, el desarrollo de modelos específicos para la población, como los diseñados para atletas o cohortes chinas, destaca la creciente relevancia de la IA en la medicina cardiovascular de precisión.
En conjunto, estos avances subrayan el cambio de paradigma: desde los sistemas tradicionales de puntuación de riesgo hacia modelos de diagnóstico dinámicos, basados en datos y sensibles al contexto.
Este estudio buscó evaluar sistemáticamente el panorama actual de las aplicaciones de IA en el diagnóstico cardiovascular, centrándose en su utilidad clínica, precisión diagnóstica, limitaciones y potencial de integración en sistemas de salud del mundo real.
A manera de resumen de lo señalado, vale reiterar que la inteligencia artificial (IA) está transformando rápidamente el diagnóstico cardiovascular al mejorar la detección temprana de enfermedades, la estratificación del riesgo y la toma de decisiones clínicas.
Estudios recientes han demostrado la eficacia de la IA en el análisis de electrocardiogramas (ECG) e imágenes cardíacas, la predicción de resultados cardiovasculares adversos y la posibilidad de una atención personalizada.
Los modelos de IA también han demostrado potencial en aplicaciones comunitarias y específicas para la población, lo que indica un cambio hacia una medicina cardiovascular de precisión basada en datos
Los objetivos del estudio fueron evaluar sistemáticamente las aplicaciones clínicas y el rendimiento diagnóstico de la IA en la detección y evaluación del riesgo de enfermedades cardiovasculares.
Se realizó una búsqueda sistemática en PubMed, Google Scholar y ScienceDirect de artículos en inglés publicados entre enero de 2020 y junio de 2025.
Los estudios elegibles incluyeron ensayos controlados aleatorios y diseños observacionales con disponibilidad gratuita de texto completo.
Se utilizaron la herramienta QUADAS-2 para estudios de precisión diagnóstica y PROBAST para modelos de pronóstico o predicción de riesgos para la evaluación de la calidad.
De 30 artículos elegibles, se incluyeron 14 estudios de alta calidad.
En los estudios incluidos, las herramientas de diagnóstico basadas en IA demostraron un rendimiento consistentemente alto en la detección de enfermedades cardiovasculares.
Los valores de área bajo la curva (AUC) reportados oscilaron entre 0,804 y 0,991, siendo la mayoría ≥ 0,88, lo que indica una sólida precisión discriminativa en diversas modalidades, como el análisis de ECG, la imagen cardíaca y el modelado predictivo de riesgo.
Si bien no se realizó una agrupación formal debido a la heterogeneidad metodológica, la síntesis descriptiva destacó un rendimiento sólido y consistente en aplicaciones como la detección de insuficiencia cardíaca, enfermedad coronaria y arritmias.
La variabilidad en el diseño y la presentación de informes de los estudios limitó la comparación directa, pero las tendencias generales respaldan el potencial de los sistemas de IA para mejorar la precisión diagnóstica en diversos contextos cardiovasculares.
Al promover la discusión de las observaciones realizadas, los autores afirmaron que la inteligencia artificial (IA) ha evolucionado rápidamente dentro de la medicina cardiovascular, pasando de modelos de prueba de concepto a herramientas clínicamente significativas.
Estudios fundamentales como el de Attia et al. (Nat Med, 2019) y Hannun et al. (Nat Med, 2019) demostraron que los modelos de ECG basados en IA podían detectar y predecir arritmias con una alta precisión diagnóstica (AUC 0,87-0,97), mientras que Motwani et al. (Eur Heart J, 2017) demostraron que el aprendizaje automático aplicado a la angiografía por tomografía computarizada coronaria (ACTC) mejoró la predicción de eventos cardiovasculares adversos mayores más allá de las puntuaciones de riesgo convencionales.
Los desarrollos recientes también señalan la expansión de las fronteras para la IA en la electrofisiología intervencionista y la terapia con dispositivos
Un estudio de Europace (2024) (26:euae265) demostró que la ablación de muy alta potencia y corta duración logró lesiones transmurales consistentes, lo que sugiere potencial para la evaluación de lesiones guiada por IA en tiempo real.
Gao et al. (Egypt Heart J 2025) e informes de casos relacionados (Heart Rhythm Case Rep 2024) destacaron cómo la obtención de imágenes y la planificación de procedimientos habilitadas por IA podrían mitigar complicaciones como la insuficiencia tricuspídea después de la implantación de un marcapasos sin cables.
El novedoso análisis de perfusión cuantitativo basado en inteligencia artificial totalmente automatizado puede mejorar la sensibilidad para la detección de enfermedad multivaso, ayudando así a la toma de decisiones clínicas y logrando una revascularización completa.
En conjunto, estas innovaciones ilustran el creciente papel de la IA en las intervenciones cardiovasculares predictivas y guiadas con precisión.
Los autores hicieron referencia a la precisión diagnóstica de la IA en todas las modalidades cardiovasculares.
La síntesis descriptiva realizada destacó el rendimiento diagnóstico, variable pero consistentemente sólido, de la IA en aplicaciones cardiovasculares, con métricas específicas de cada estudio que abarcan amplios rangos.
Por ejemplo, Wang et al. (2024) informaron un AUC de 0,991 para la miocardiopatía hipertrófica mediante un proceso de resonancia magnética cardíaca (RMC) de aprendizaje profundo, lo que refleja las características morfológicas distintivas de la afección susceptibles de detección por IA.
De igual manera, Bachtiger et al. (2022) demostraron un cribado fiable basado en ECG para la disfunción sistólica del ventrículo izquierdo, con un rango de AUC de 0,85 a 0,91.
Otros estudios mostraron un desempeño moderado pero clínicamente significativo en tareas de diagnóstico más amplias, como FFRCT (por sus siglas en inglés de Fractional Flow Reserve (derived from Computed Tomography –Reserva Fraccional de Flujo derivada de Tomografía Computarizada) derivado de aprendizaje automático (ML por sus siglas en inglés de machine learning) versus CMR de estrés (Lossnitzer et al., 2022; AUC 0,89) o predicción de CAD a partir de presentaciones heterogéneas (Liu et al., 2022; AUC 0,88).
Estos hallazgos enfatizan que el rendimiento de la IA está estrechamente vinculado a la calidad de los datos, la especificidad diagnóstica y la rigurosa validación, siendo las modalidades de alta fidelidad (RMC, ECG) y un enfoque diagnóstico específico las que producen los resultados más robustos.
Al utilizar la visualización descriptiva en lugar de la agrupación cuantitativa, los autores resumieron de forma transparente la evidencia heterogénea, evitando la agregación estadística engañosa, lo que refuerza el potencial de la IA para respaldar o complementar el diagnóstico cardiovascular convencional en diversos contextos clínicos.
Se mencionaron las aplicaciones de pronóstico y estratificación de riesgos.
La IA también ha surgido como una poderosa herramienta de pronóstico, aumentando los modelos de riesgo tradicionales y apoyando la gestión personalizada.
Cho et al. (2024) desarrollaron un biomarcador de ECG-IA que predice la mortalidad y el reingreso a 1 año en pacientes con insuficiencia cardíaca aguda, mientras que Commandeur et al. (2020) utilizaron ML para integrar el calcio coronario y las características del tejido adiposo epicárdico, mejorando la predicción del infarto de miocardio y la muerte cardíaca.
De manera similar, Vukadinovic et al. (2023) demostraron que la esfericidad cardíaca cuantificada por aprendizaje profundo predijo resultados adversos y miocardiopatía temprana.
En la miocardiopatía hipertrófica, Pićulin et al. (2022) lograron una predicción precisa de la progresión de la enfermedad utilizando aprendizaje automático.
Yamashita et al. (2024) ampliaron aún más la utilidad de la IA al predecir la fragilidad en pacientes cardiovasculares hospitalizados, superando las herramientas convencionales e informando la planificación del alta.
En conjunto, estos estudios indican que la IA puede descubrir señales pronósticas latentes inaccesibles a la interpretación humana, lo que ofrece nuevas vías para la intervención temprana y la gestión de riesgos individualizada.
También hicieron mención a la integración de la IA en los flujos de trabajo clínicos señalando que demuestra el potencial de mejorar la consistencia diagnóstica, reducir el error humano y mejorar la eficiencia sin interrumpir las rutinas establecidas.
Bachtiger et al. (2022) demostraron la viabilidad de un estetoscopio con IA para la detección de insuficiencia cardíaca en tiempo real durante los exámenes a pie de cama.
Wang et al. (2024) desarrollaron un proceso de CMR totalmente automatizado que agiliza la interpretación de imágenes a la vez que mantiene una alta precisión diagnóstica.
De igual manera, Yamashita et al. (2024) integraron un modelo de fragilidad basado en IA en el sistema de HCE, lo que permitió la identificación temprana de riesgos sin sobrecargar al médico.
También se ha demostrado que los sistemas de IA reducen la variabilidad diagnóstica mediante una interpretación objetiva y reproducible.
Bouzid et al. (2021) mejoraron la detección del síndrome coronario agudo en urgencias mediante el análisis de ECG mejorado con ML, mientras que Kagiyama et al. (2020) aplicaron ML a las señales de ECG para evaluar la función diastólica, minimizando la dependencia del operador.
Commandeur et al. (2020) demostraron además que los biomarcadores de imagen derivados de IA proporcionaban una predicción del riesgo a largo plazo estandarizada y reproducible.
Estos ejemplos destacan la capacidad de la IA para respaldar la toma de decisiones clínicas fiables y de alto rendimiento, y su integración fluida en los marcos de atención existentes.
Respecto a la eficacia comparativa de la IA frente a los diagnósticos tradicionales:
Varios estudios compararon directamente las herramientas basadas en IA con los métodos convencionales de diagnóstico o pronóstico, lo que subraya su potencial para ampliar o incluso reemplazar los estándares actuales.
El ensayo FLASH (Kim et al., 2025) demostró que la IA-QCA no fue inferior a la OCT para guiar la ICP, mientras que Nous et al. (2020) demostraron que la FFRCT derivada de ML mejoró la confianza diagnóstica e influyó en las decisiones de manejo en la EAC.
Bouzid et al. (2021) informaron una precisión superior de la interpretación del ECG asistida por ML para el síndrome coronario agudo en comparación con la evaluación estándar.
En conjunto, estos estudios confirman la eficacia comparativa de la IA y refuerzan su preparación para una adopción clínica más amplia.
Para reducir la redundancia, los hallazgos de los ensayos comparativos se integran conceptualmente con los análisis de desempeño diagnóstico, enfatizando que el valor diagnóstico de la IA no es solo teórico sino que está validado contra comparadores de referencia en entornos prospectivos.
En relación a las ventajas, limitaciones, heterogeneidad y direcciones futuras la revisión destacó las múltiples ventajas de la IA en la atención cardiovascular, incluyendo una mayor precisión diagnóstica, capacidad pronóstica y eficiencia del flujo de trabajo.
Kim et al. (2025) demostraron una menor necesidad de imágenes invasivas mediante IA-QCA, mientras que Yuan et al. (2025) utilizaron IA explicable para distinguir las reducciones transitorias de la FEVI de las persistentes, evitando potencialmente intervenciones innecesarias.
Los modelos desarrollados por Wang et al. (2024) y Cho et al. (2024) ejemplifican aún más los análisis escalables y automatizados que pueden integrarse en las vías clínicas.
Sin embargo, persisten limitaciones.
Varios estudios carecieron de validación externa o se derivaron de poblaciones relativamente homogéneas (Lossnitzer et al., 2022; Pićulin et al., 2022).
La interpretabilidad del modelo sigue siendo un desafío, en particular para las arquitecturas de aprendizaje profundo, mientras que la diversidad en las metodologías de IA (p. ej., potenciación de gradiente, IA explicable, redes convolucionales) complica la comparación entre estudios.
Los diseños de los estudios variaron ampliamente, desde ensayos controlados aleatorios (Kim et al., 2025; Nous et al., 2020) hasta cohortes prospectivas y retrospectivas (Liu et al., 2022; Yamashita et al., 2024); contribuyendo a la heterogeneidad metodológica y contextual.
Dada esta variabilidad, no fue posible realizar un metaanálisis formal.
En su lugar, aplicaron una síntesis descriptiva, respaldada por visualizaciones de estilo bosque y pseudoembudo, para resumir el rendimiento diagnóstico.
Las AUC informadas (0,804–0,991) demostraron consistentemente una alta precisión diagnóstica de la IA en todas las modalidades, pero también revelaron una heterogeneidad inherente impulsada por las diferencias en la arquitectura del modelo (p. ej., ECG vs. CMR), la calidad de los datos de entrada y la selección del criterio de valoración.
La distribución pseudoembudo no indicó sesgo sistemático en el informe, aunque los datos de varianza incompletos limitaron las pruebas formales.
Estos hallazgos subrayan tanto la robustez del rendimiento de la IA como la necesidad actual de marcos de validación estandarizados, métricas de rendimiento uniformes e informes transparentes.
Las investigaciones futuras deberían apuntar a armonizar los estándares de datos, promover la validación externa en diversas poblaciones y evaluar la viabilidad en el mundo real.
Como demuestran Wang et al. (2024), la aplicación de herramientas de IA de alto rendimiento para CMR a la práctica clínica habitual requiere preparación tanto regulatoria como logística.
La gobernanza ética, la interpretabilidad de los modelos y la confianza de los profesionales clínicos siguen siendo fundamentales para una implementación segura y responsable de la IA.
Esta revisión sistemática presenta varias limitaciones.
En primer lugar, el análisis se limitó a estudios publicados en inglés y disponibles gratuitamente como artículos de texto completo, lo que podría haber introducido sesgo de idioma y accesibilidad.
En segundo lugar, a pesar de utilizar una estrategia de búsqueda exhaustiva, es posible que se hayan omitido estudios relevantes publicados fuera de las bases de datos seleccionadas (PubMed, Google Scholar y ScienceDirect).
En tercer lugar, los estudios incluidos mostraron una heterogeneidad significativa en los modelos de IA, las fuentes de datos, los criterios de valoración diagnósticos y los métodos de validación, lo que limitó la comparación directa y el análisis agrupado.
En cuarto lugar, si bien se aplicaron herramientas de evaluación de la calidad, las variaciones en el diseño de los estudios y los estándares de presentación de informes podrían haber influido en la evaluación del rigor metodológico.
Estas limitaciones deben tenerse en cuenta al interpretar la generalización y la aplicabilidad de los hallazgos.
Como conclusión, esta revisión sistemática destacó el creciente impacto de la inteligencia artificial en el diagnóstico y la evaluación del riesgo de enfermedades cardiovasculares.
En una variedad de entornos y modalidades clínicas, las herramientas de IA han demostrado una precisión diagnóstica superior, una mejor detección temprana y una mejor reproducibilidad en comparación con los métodos convencionales.
Los hallazgos respaldan el potencial de la IA para abordar las limitaciones clave en los diagnósticos cardiovasculares tradicionales, incluyendo el error humano y la variabilidad interobservador.
Sin embargo, persisten desafíos, en particular en cuanto a la validación externa, la heterogeneidad metodológica y la implementación ética.
Para aprovechar plenamente los beneficios clínicos de la IA, la investigación futura debe centrarse en la validación a gran escala, las prácticas de informes estandarizados y la integración en los sistemas de salud del mundo real.
La IA está destinada a convertirse en un componente vital de la medicina cardiovascular, pero su éxito dependerá de una implementación responsable, la colaboración entre los profesionales clínicos y la evaluación continua del rendimiento.
* Niazai A, Jamil H, Hameed M, Sheikh S, Nisar MR. Artificial intelligence in cardiovascular diagnostics: a systematic review and descriptive analysis of clinical applications and diagnostic performance. BMC Cardiovasc Disord. 2025 Nov 28;25(1):849. doi: 10.1186/s12872-025-05327-x. PMID: 41315941; PMCID: PMC12661670.
