Inteligencia artificial en cardiología
En la edición del 15 de julio de 2026 de Frontiers in Artificial Intelligence, investigadores universitarios de EEUU publicaron un artículo de revisión cuyo propósito fue analizar el rol que juega la inteligencia artificial en la práctica cardiológica y sus implicancias para los resultados de la atención médica*.
La NOTICIA DEL DÍA hoy consistirá en una traducción de la publicación original.
Los autores plantearon en la introducción a su revisión que las enfermedades cardiovasculares siguen siendo la principal causa de muerte en los Estados Unidos, y aunque la mortalidad general ha disminuido desde la década de 2000, la carga no está distribuida de manera uniforme.
Los pacientes negros e hispanos experimentan una carga desproporcionada de enfermedad cardiovascular, con una subutilización de terapias basadas en la evidencia y mayores riesgos de procedimientos y mortalidad.
Los pacientes negros tienen el mayor riesgo de por vida de enfermedad arterial periférica (30% frente al 19% en pacientes blancos y el 22% en pacientes hispanos) y la mayor prevalencia general de insuficiencia cardíaca.
Las disparidades en la atención médica se refieren a las desigualdades sistemáticas en el acceso a la atención, la calidad del tratamiento y los resultados clínicos entre los diferentes grupos de pacientes, que con frecuencia coinciden con las barreras raciales, étnicas, socioeconómicas y de género.
En cardiología, estas desigualdades se manifiestan como una mayor carga de enfermedad cardiovascular, diagnósticos tardíos, acceso limitado a servicios de subespecialidad y resultados desproporcionadamente peores para las poblaciones desatendidas.
Entre los factores que impulsan estas disparidades se incluyen el acceso limitado a la atención médica, un menor nivel de alfabetización en salud, factores de riesgo genéticos y desigualdades en la prestación del tratamiento, incluyendo sesgos de género y raza.
Abordar estas disparidades es fundamental antes de evaluar cómo se puede implementar la inteligencia artificial (IA) de manera equitativa en la atención cardiovascular.
Esto requiere comprender la IA y su creciente papel en la atención médica moderna.
La inteligencia artificial es un campo amplio de la informática que abarca diversos métodos que integran inteligencia similar a la humana con grandes volúmenes de datos.
Sus objetivos incluyen la optimización de los flujos de trabajo clínicos rutinarios y la mejora de la precisión en la toma de decisiones basada en datos.
Con las continuas mejoras en la disponibilidad y calidad de los datos sobre enfermedades, ha crecido el interés por implementar modelos de IA en el sector sanitario.
Sin embargo, en el contexto de las persistentes disparidades raciales y socioeconómicas en la atención cardiovascular, la rápida adopción de la IA en cardiología plantea interrogantes cruciales sobre si estas tecnologías mitigarán o, por el contrario, exacerbarán las desigualdades existentes.
Esta revisión examina cómo dichas disparidades pueden influir en el desarrollo, el rendimiento y la equidad de la atención sanitaria asistida por IA
Métodos
En esta revisión narrativa, los autores realizaron un análisis de artículos relevantes relacionados con las disparidades en enfermedades cardiovasculares y el uso actual de la IA en cardiología.
Se realizó una búsqueda bibliográfica en PubMed y en informes y publicaciones gubernamentales, incluido el Centro para el Control y la Prevención de Enfermedades (CDC).
En total, se identificaron 213 registros a través de la búsqueda en bases de datos.
Tras eliminar 13 duplicados y revisar los títulos y resúmenes, 29 artículos completos cumplieron los criterios de inclusión y se incorporaron a la síntesis cualitativa.
También se incluyeron artículos relevantes adicionales, identificados mediante búsquedas complementarias específicas en PubMed y la revisión de las listas de referencias, para garantizar una cobertura exhaustiva de los conceptos clave.
En total, se incluyeron 47 referencias en el manuscrito final.
Se incluyeron los artículos completos que abordaban el panorama actual de la atención cardiovascular, las disparidades en los resultados cardiovasculares, así como la aplicación de la inteligencia artificial en cardiología, en particular su impacto en las disparidades en la salud cardiovascular.
El campo de la cardiología ha logrado avances sustanciales en las capacidades diagnósticas y continúa progresando a medida que nuevas investigaciones amplían el campo.
Aún existen desafíos en el diagnóstico, el tratamiento y la prevención.
Pope et al. revelaron que, entre los pacientes con isquemia cardíaca aguda o angina inestable, aproximadamente el 2% de los pacientes fueron dados de alta erróneamente del servicio de urgencias.
Esta cifra parece baja, sin embargo, la probabilidad de un diagnóstico erróneo es significativamente mayor en mujeres menores de 55 años (odds ratio (OR) para el alta, 6,7; IC del 95%, 1,4–32,5), pacientes no blancos (OR, 2,2; IC del 95%, 1,1–4,3), aquellos con síntomas de disnea (OR, 2,7; 1,1 a 6,5) o aquellos con un ECG normal o no diagnóstico (OR, 3,3; IC del 95%, 1,7 a 6,3)
Esto pone de relieve que las herramientas de diagnóstico clásicas, como los ECG y la sintomatología, requieren un estudio más exhaustivo en pacientes femeninas y no blancas para proporcionar un diagnóstico preciso del síndrome coronario agudo.
Sin comprender esto, los pacientes pueden ser diagnosticados erróneamente.
Estos datos pueden verse agravados aún más por las persistentes disparidades diagnósticas.
Se observan patrones similares de diagnóstico tardío o erróneo en otras afecciones cardiovasculares como la amiloidosis cardíaca.
Esta patología se caracteriza por una presentación inespecífica o heterogénea que con frecuencia se superpone con afecciones como la cardiopatía hipertensiva.
Como consecuencia, se producen retrasos en el diagnóstico que posponen la derivación, las pruebas genéticas y el inicio de terapias modificadoras de la enfermedad, lo que a menudo resulta en una insuficiencia cardíaca más avanzada al momento de la presentación y un peor pronóstico.
En respuesta a estas persistentes deficiencias diagnósticas, la atención se ha centrado cada vez más en enfoques de aprendizaje automático basados en inteligencia artificial, en particular aquellos que aprovechan la electrocardiografía y las imágenes cardíacas, para mejorar la detección temprana y la estratificación del riesgo.
Sin embargo, para reducir significativamente las disparidades, estas herramientas deben desarrollarse y validarse aún más para representar a las poblaciones desatendidas y evitar así perpetuar las inequidades existentes en la atención cardiovascular.
El aprendizaje automático y el análisis predictivo pueden optimizar la atención cardiovascular al mejorar la precisión diagnóstica, la estratificación del riesgo y facilitar la identificación temprana de enfermedades cardiovasculares.
Revisiones sistemáticas y metaanálisis previos sugieren que los algoritmos de aprendizaje automático pueden proporcionar un rendimiento predictivo clínicamente útil para resultados como la enfermedad arterial coronaria, el infarto de miocardio, la insuficiencia cardíaca y la arritmia, aunque la heterogeneidad metodológica y las preocupaciones con respecto a la generalización siguen siendo limitaciones importantes.
En un estudio reciente, se evaluaron dos modelos de aprendizaje automático de bosque aleatorio para predecir el riesgo de infarto agudo de miocardio (IAM) y enfermedad cardíaca isquémica (ECI) en pacientes cardiovasculares.
Recuérdese que un modelo de bosque aleatorio (random forest) es un algoritmo de aprendizaje automático (machine learning) supervisado que combina múltiples árboles de decisión para obtener una predicción más precisa, estable y robusta que la de un solo árbol.
El modelo de IAM demostró una precisión de 0,97, una sensibilidad de 0,67, una especificidad de 1,00 y una precisión de 0,99.
De manera similar, el modelo de ECI mostró un rendimiento predictivo comparable con el uso de anticoagulantes o antiplaquetarios, y las elevaciones en la presión arterial sistólica, la glucosa sanguínea media y la TFGe identificadas como variables contribuyentes principales.
De forma similar a varios modelos emergentes de evaluación de riesgos, los algoritmos de bosques aleatorios no incorporaron la raza ni los determinantes sociales de la salud en la predicción del riesgo cardiovascular, a pesar de su bien establecida relación con las enfermedades cardiovasculares.
Esto pudo haber influido en el desempeño de los modelos evaluados en el estudio, dado el impacto desproporcionado de la hipertensión, la diabetes y la enfermedad renal crónica en pacientes de color.
Además, un estudio prospectivo demostró la utilidad potencial del aprendizaje automático para mejorar la predicción del riesgo a largo plazo de infarto de miocardio (IM) y muerte cardíaca en pacientes asintomáticos.
El modelo de aprendizaje automático se entrenó con variables clínicas, perfiles lipídicos y factores de riesgo cardiovascular, y medidas de imagen.
El modelo demostró un rendimiento predictivo superior en comparación con la evaluación convencional del riesgo de enfermedad cardiovascular aterosclerótica (ECVA) y la puntuación de calcio en las arterias coronarias por sí solas, lo que respalda su valor potencial para una mejor estratificación del riesgo cardiovascular.
Aunque los modelos de aprendizaje automático son prometedores, los factores de riesgo utilizados por estos modelos para predecir resultados pueden subestimar el riesgo real de un paciente.
El estudio NHANES III evaluó las anomalías metabólicas entre poblaciones minoritarias en comparación con participantes blancos utilizando la tasa de filtración glomerular (TFG) como referencia.
Después del ajuste por edad, factores demográficos y TFG, los participantes negros e hispanos tenían más probabilidades que los participantes blancos de tener presión arterial sistólica elevada y medidas electrolíticas anormales asociadas con la disminución de la función renal, incluidos los niveles de fósforo.
Esto pone de relieve que los umbrales estándar de enfermedad renal crónica pueden subestimar el riesgo metabólico en pacientes pertenecientes a minorías; lo que indica que los modelos de IA que utilizan únicamente la TFG, sin incluir la raza ni la etnia, para predecir el riesgo de enfermedad cardiovascular podrían ser inexactos.
Es importante impulsar iniciativas para aumentar la representación de las minorías étnicas en los datos utilizados para crear modelos de IA y aprendizaje automático.
Garantizar datos representativos reducirá las disparidades actuales en la evaluación y el diagnóstico de enfermedades cardiovasculares en pacientes pertenecientes a minorías.
Existen varias publicaciones que siguen limitadas por el diseño retrospectivo del estudio, la validación externa inadecuada, el sesgo, las cohortes de pacientes altamente seleccionadas y la utilidad clínica en el mundo real.
Han surgido algunas herramientas de IA que demuestran un sólido desempeño en entornos de investigación.
A medida que estas herramientas de IA se someten a una validación prospectiva multicéntrica y comienzan a implementarse en entornos clínicos, se debe exigir su funcionalidad en poblaciones de pacientes diversas y desatendidas como evaluación de su eficacia clínica.
Si bien las herramientas de aprendizaje automático son muy prometedoras en el análisis predictivo, es fundamental una evaluación crítica y cuidadosa de su función clínica, metodología de estudio, calidad y limitaciones en relación con poblaciones diversas.
Los autores examinaron la aplicación de herramientas de IA en técnicas de diagnóstico cardiovascular de uso común, como la electrocardiografía, la tomografía computarizada y la resonancia magnética cardíaca.
Para cada técnica, se analizó su aplicación clínica, el aprendizaje automático y las herramientas utilizadas, así como su impacto en la precisión diagnóstica y el flujo de trabajo clínico.
Al evaluar las fortalezas y limitaciones de los métodos, el diseño y la validez externa del estudio, buscaron destacar el potencial de estas herramientas en constante desarrollo y, al mismo tiempo, subrayar la necesidad de una generalización equitativa y prospectiva antes de su uso clínico generalizado.
Electrocardiografía (ECG)
Las herramientas impulsadas por inteligencia artificial podrían servir como una modalidad prometedora para la detección más temprana y precisa de enfermedades cardiovasculares.
Al-Zaiti et al. realizaron el primer estudio de cohorte observacional de su tipo utilizando un modelo de IA de Bosque Aleatorio (RF por sus siglas en inglés de random forest) que lee el ECG para el diagnóstico de Infarto de Miocardio por Oclusión (IMO) sin elevación del segmento ST en pacientes que presentan dolor en el pecho.
El modelo se entrenó en 7.313 pacientes y se validó en 3.827 pacientes.
En este estudio, el OMI por sus siglas en inglés de Occlusion Myocardial Infarction) se definió como una arteria coronaria culpable con flujo TIMI grado 0-1 o flujo TIMI grado 2 acompañado de estenosis coronaria grave (>70%) y niveles máximos elevados de troponina de cuarta generación de 5-10 ng/mL.
El modelo RF (Random Forest o bosque aleatorio) superó a los médicos y a los sistemas de interpretación comúnmente utilizados, como la puntuación HEART, en la diferenciación de pacientes con OMI de pacientes sin OMI (AUROC 0,87, IC del 95% 0,85-0,90) y demostró una alta capacidad para descartar la OMI (VPN 0,993).
Sin embargo, este hallazgo debe interpretarse en el contexto de la prevalencia de la enfermedad, ya que los valores predictivos varían entre las poblaciones clínicas y se necesita un rendimiento adicional más allá del AUROC para evaluar la utilidad clínica.
Dado que aproximadamente entre el 24 % y el 35 % de los pacientes con NSTEMI según el estudio pueden tener una oclusión coronaria subyacente que requiere cateterismo urgente, una mejor detección temprana del OMI podría tener implicancias importantes para reducir los retrasos diagnósticos y mejorar los resultados
Además, este modelo se derivó de pacientes con dolor torácico; sin embargo, el estudio no aborda otras presentaciones de OMI en poblaciones de pacientes subrepresentadas.
De manera similar, se han explorado modelos de ECG habilitados por IA para la detección y predicción de la fibrilación auricular (FA).
Nasser et al. revisaron estudios que demuestran que el aprendizaje automático aplicado a ECG estándar y dispositivos portátiles puede lograr una alta sensibilidad y especificidad para la detección de FA, al tiempo que potencialmente permite un diagnóstico más temprano y la estratificación del riesgo.
Estas tecnologías pueden expandir la monitorización cardiovascular continua más allá de los entornos clínicos tradicionales, particularmente a través de aplicaciones portátiles y basadas en teléfonos inteligentes.
Sin embargo, la revisión enfatizó los desafíos debido al sesgo de los datos, la variabilidad de la calidad del ECG, las clasificaciones de falsos positivos y falsos negativos y el rendimiento reducido en diferentes grupos demográficos
Al igual que con el modelo OMI, este estudio sigue dependiendo de análisis retrospectivos, conjuntos de datos validados internamente o cohortes de un solo centro, lo que limita las conclusiones sobre su generalización y preparación para la implementación.
Serán necesarios estudios prospectivos multicéntricos con validación externa en poblaciones diversas en cuanto a raza, etnia y sexo para establecer la validez, la equidad y la escalabilidad en el mundo real de estas herramientas de diagnóstico cardiovascular basadas en IA.
Ecocardiografía
Un modelo de aprendizaje profundo entrenado con más de 14.000 ecocardiogramas automatizó múltiples componentes de la interpretación ecocardiográfica, incluyendo la identificación de vistas, la segmentación de cavidades y la detección de enfermedades.
El modelo demostró una alta precisión en la clasificación de vistas, que fue del 96% para imágenes paraesternales de eje largo y produjo mediciones automatizadas de la estructura cardíaca, la fracción de eyección y la deformación que coincidieron con las mediciones clínicas y de software de rutina.
Se desarrollaron modelos adicionales para detectar miocardiopatía hipertrófica, amiloidosis cardíaca e hipertensión arterial pulmonar con estadísticas C de 0,93, 0,87 y 0,85, respectivamente.
Debido a que el modelo se mantuvo fiable a pesar de las diferencias en la calidad de la imagen, los factores del paciente y los fabricantes de equipos, tiene un gran potencial para su implementación en entornos diversos y con recursos limitados.
Sin embargo, aunque el estudio demostró un buen rendimiento, es necesaria la validación externa y la participación multicéntrica para evaluar la escalabilidad para su uso en el mundo real en diversos entornos clínicos.
Entre todas las modalidades de imagen, la ecocardiografía es particularmente vulnerable a la variabilidad de adquisición dependiente del operador, lo que históricamente ha contribuido a mediciones inconsistentes e incertidumbre diagnóstica en poblaciones estructuralmente marginadas.
Al automatizar la clasificación de vistas y las mediciones cuantitativas clínicamente, la ecocardiografía asistida por IA puede mejorar los flujos de trabajo diagnósticos, reducir la variabilidad de las mediciones y permitir una detección más temprana o consistente de la disfunción cardíaca.
Como resultado, puede ampliar el acceso a la interpretación de imágenes de alta calidad a clínicas con mucho volumen de pacientes, servicios de urgencias y hospitales con experiencia limitada en cardiología.
Tomografía computarizada (TC)
Un sistema de IA entrenado con 1.636 tomografías computarizadas cardíacas y validado en 20.084 individuos procedentes de cuatro cohortes principales (FHS, NLST, PROMISE, ROMICAT-II), produjo puntuaciones de calcio que se correlacionaron altamente con las mediciones de expertos (Spearman 0,92) y mostraron una fiabilidad test-retest casi perfecta.
Las puntuaciones CAC (Score de Calcio o Coronary Artery Calcium Score) automatizadas predijeron de forma consistente eventos cardiovasculares en diversas poblaciones (fumadores empedernidos, adultos asintomáticos, pacientes con dolor torácico estable y presentaciones de dolor torácico agudo), con razones de riesgo que aumentaban escalonadamente en las categorías CAC y con un rendimiento equivalente al de la puntuación manual.
Debido a que el modelo funcionó de forma robusta en múltiples instituciones, tipos de escáneres y tomografías computarizadas con y sin sincronización con ECG, demostró una gran generalización en el mundo real.
Clínicamente, este enfoque podría identificar riesgos cardiovasculares previamente no reconocidos a partir de los millones de tomografías computarizadas de tórax de rutina realizadas anualmente, acelerar la estratificación del riesgo a nivel poblacional y ampliar el acceso a biomarcadores de imagen comprobados, lo que respalda una intervención más temprana y mejora la equidad en los flujos de trabajo de prevención cardiológica.
Si bien existe una sólida validación multicohorte, persisten limitaciones importantes al interpretar estos hallazgos.
Aunque la puntuación automatizada de calcio en las arterias coronarias mejora la eficiencia y la predicción del riesgo, se requieren más estudios para determinar cómo esta herramienta de detección mejora los resultados cardiovasculares a largo plazo.
Además, una mayor identificación de calcificación coronaria incidental en la tomografía computarizada de tórax de rutina puede conducir a un sobrediagnóstico o una reclasificación del riesgo cardiovascular en algunos pacientes, lo que podría generar pruebas diagnósticas adicionales, derivaciones a especialistas y utilización de servicios de salud.
Las consecuencias clínicas y económicas posteriores de estos hallazgos aún no se comprenden completamente.
Los estudios futuros deberían evaluar cómo la detección automatizada de CAC influye en la toma de decisiones clínicas en comparación con la interpretación estándar y si resulta en mejoras significativas en las estrategias de prevención y los resultados de los pacientes, particularmente entre las poblaciones desatendidas que experimentan una carga desproporcionada de enfermedad cardiovascular.
Resonancia Magnética
La automatización de la interpretación de la resonancia magnética cardíaca también se ha vuelto cada vez más factible a través del aprendizaje profundo, abordando las barreras de larga data de la dependencia de expertos y la revisión manual intensiva en tiempo en los flujos de trabajo de la RMC.
Utilizando datos de 9719 individuos en ocho centros, el sistema examinó anomalías cardíacas y diagnosticó 11 enfermedades cardiovasculares con AUC de 0,988 y 0,991, respectivamente, con un rendimiento a la par con cardiólogos experimentados e incluso superándolos en el diagnóstico de hipertensión arterial pulmonar.
Dado que el modelo se validó en múltiples instituciones, proveedores de resonancia magnética y poblaciones desatendidas, demostró una gran capacidad de generalización más allá de un solo centro.
Clínicamente, este enfoque podría acelerar la interpretación de la resonancia magnética cardíaca, reducir la variabilidad entre observadores y ampliar el acceso a diagnósticos por imagen avanzados en regiones con experiencia limitada en resonancia magnética cardíaca.
Si se validan prospectivamente en diversos grupos étnicos, estos sistemas podrían ampliar la detección y el diagnóstico oportunos.
Además, la detección en poblaciones desatendidas mejora la calidad de la interpretación de las imágenes avanzadas de resonancia magnética cardíaca.
Si bien la interpretación de resonancia magnética asistida por IA puede mejorar la sensibilidad diagnóstica, el aumento de las capacidades de detección puede incrementar el riesgo de hallazgos incidentales, sobrediagnóstico y mayor carga de pruebas.
Los estudios de resonancia magnética identifican con frecuencia anomalías clínicamente inciertas que no representan enfermedades graves.
Estas consideraciones subrayan la importancia de una evaluación prospectiva de la utilidad clínica, el beneficio y las consecuencias en el mundo real de la implementación de la resonancia magnética con inteligencia artificial.
Muchos condados rurales y desatendidos de EE. UU. carecen de cardiólogos; 1454 de 3143 condados (46,3 %) no tienen ninguno, incluido el 86,2 % de los condados rurales.
Alrededor de 22 millones de personas viven en estas áreas, que generalmente tienen menores ingresos, mayores tasas de personas sin seguro médico, atención primaria limitada y menos recursos como alimentos saludables.
Los residentes deben viajar mucho más lejos para recibir atención médica (87,1 frente a 16,3 millas), enfrentan un mayor riesgo cardiovascular (2,8 frente a 2,1), una mayor mortalidad ajustada por edad (281,6 frente a 269,1 por cada 100 000 habitantes) y una menor esperanza de vida, siendo los nativos americanos el grupo con mayor probabilidad de vivir en estas regiones con escasez de cardiólogos.
La inteligencia artificial ha demostrado un potencial prometedor como herramienta para llegar a poblaciones desatendidas y ampliar el acceso a la atención médica, en particular a través de la telemedicina.
Se realizó un estudio sobre la implementación de Coordinating Health Care with Artificial Intelligence-Supported Technology for Patients with Atrial Fibrillation (CHAT-AF).
El sistema de llamadas telefónicas conversacionales con IA, CHAT-AF, reconoce el habla, la semántica y la sintaxis del paciente para permitir que la conversación progrese en un árbol de decisiones.
Posteriormente, se proporcionó a los pacientes educación sobre la FA, incluidas recomendaciones sobre el estilo de vida, al tiempo que se les solicitaba que respondieran preguntas de evaluación de riesgos.
Si un paciente respondía con un estado de salud preocupante, se le derivaba a atención clínica.
No se encontró ninguna diferencia estadísticamente significativa entre los grupos de IA y control, que recibieron la atención habitual, a los 6 meses.
Sin embargo, dentro del grupo de IA, las puntuaciones de calidad de vida mejoraron significativamente, y el 88,4% de los participantes informaron que la intervención fue útil.
Aunque los resultados clínicos primarios no mostraron diferencias significativas, la intervención demostró ser viable y contar con una alta aceptación por parte de los pacientes.
La implementación exitosa de esta herramienta podría reducir las dificultades de desplazamiento y las limitaciones de tiempo, lo que aumentaría el acceso a la atención médica para las poblaciones desatendidas.
En comparación con los países de altos ingresos (PAI), los países de ingresos bajos y medios (PIBM) a menudo enfrentan mayores barreras estructurales para la prestación de atención médica, incluyendo escasez de personal, acceso limitado a atención especializada e infraestructura sanitaria restringida.
En entornos de países de ingresos bajos y medianos, las herramientas basadas en IA se están explorando cada vez más como sistemas de apoyo a la toma de decisiones cardiovasculares con potencial para ampliar el acceso a la atención especializada en comunidades desatendidas.
Un estudio reciente que evaluó un modelo de IA entrenado con datos ecocardiográficos de niños y adolescentes ugandeses con cardiopatía reumática latente encontró que el modelo se desempeñó de manera comparable a los cardiólogos expertos en la detección de la insuficiencia mitral (IM) y el análisis de los componentes de las características del chorro de IM para apoyar el diagnóstico de la cardiopatía reumática.
Se han investigado enfoques de diagnóstico similares basados en IA en países como China.
En un estudio que involucró a adultos chinos de ≥40 años, los investigadores desarrollaron un modelo basado en ECG para predecir el riesgo de desarrollar enfermedades cardiovasculares, incluyendo enfermedad coronaria, angina inestable, accidente cerebrovascular e insuficiencia cardíaca.
El modelo demostró una predicción precisa del riesgo de ECV a 7 años utilizando datos de ECG independientemente de los hallazgos del examen físico y las medidas de laboratorio.
En India, se ha explorado el ECG habilitado por IA como una estrategia para mejorar el diagnóstico de eventos cardiovasculares agudos en comunidades desatendidas.
Una implementación real de centro y radios utilizó la interpretación de ECG asistida por IA para facilitar la detección temprana del síndrome coronario agudo y redujo significativamente los tiempos de respuesta, informando aproximadamente 2,9 min para ECG críticos y sugiriendo una mejor identificación de patrones de ECG de alta agudeza.
La aplicación de herramientas impulsadas por IA puede ayudar a mejorar el acceso a la atención médica y el manejo de enfermedades crónicas.
Un estudio longitudinal examinó el uso de medicamentos para la prevención secundaria de ECV en 7409 a 11677 adultos con ECV durante una mediana de 12 años (2007-2019).
Se encontró que la medicación utilizada para la prevención secundaria de ECV aumentó inicialmente durante la visita de seguimiento inicial y la utilización general disminuyó del 41,3 % al inicio al 31,3 % en la visita final.
Además, en un estudio de más de 16.000 adultos estadounidenses, el conocimiento y el tratamiento de la hipertensión fueron generalmente altos en todas las poblaciones, pero el control de la presión arterial siguió siendo deficiente, particularmente entre los grupos minoritarios.
Los adultos negros tuvieron tasas más altas de hipertensión que los adultos blancos (45,3% frente a 31,4%, OR ajustada, 2,24; IC del 95%, 1,97–2,56; p < 0,001) y recibieron tratamiento en niveles similares, sin embargo, su control de la presión arterial siguió siendo peor.
Un estudio de un solo brazo, no aleatorizado, evaluó un sistema de gestión de la hipertensión basado en IA que integraba la monitorización de la presión arterial en el hogar, dispositivos portátiles y asesoramiento sobre estilo de vida a través de mensajes SMS
El sistema analizó datos fisiológicos y de estilo de vida para generar recomendaciones conductuales individualizadas y alertar a los clínicos sobre lecturas críticas.
Entre 141 participantes monitoreados durante 24 semanas, la presión arterial sistólica y diastólica disminuyó en 5,6 y 3,8 mmHg, respectivamente, a las 12 semanas con una reducción adicional a las 24 semanas (PAS: −8,1 mmHg; PAD: −5,1 mmHg) en comparación con el valor inicial.
La colaboración de los participantes se mantuvo alta con una media semanal de recopilación de datos del 92%, mientras que solo el 5,9% de los participantes requirieron contacto manual por parte de un clínico.
Estos hallazgos sugieren que el entrenamiento remoto habilitado por IA puede apoyar el manejo de la hipertensión con una intervención clínica limitada.
Sin embargo, la interpretación está limitada por el diseño de un solo brazo, no aleatorizado del estudio y la falta de un grupo de comparación.
Además, las mejoras observadas en la presión arterial pueden reflejar en parte un efecto Hawthorne, por el cual el monitoreo continuo y la participación en el estudio influyeron en el comportamiento del paciente independientemente de la intervención de IA.
Si bien estos enfoques pueden mejorar el acceso a la atención médica en entornos con recursos limitados, sigue siendo importante prestar especial atención a las disparidades raciales y étnicas en la respuesta al tratamiento, el acceso digital y el sesgo algorítmico para evitar reforzar las desigualdades sanitarias existentes.
Por su lado, el sesgo racial afecta la administración del tratamiento a los pacientes.
Un estudio sobre la salud de las mujeres en la nación (SWAN) investigó el tratamiento de mujeres perimenopáusicas negras, blancas, asiáticas e hispanas con ECVA aterosclerótica (ECVA), DM2 e hipertensión.
Los datos mostraron que el 90% de las mujeres en el estudio con hipertensión eran negras e hispanas.
Además, las mujeres que cumplían los criterios de elegibilidad para el tratamiento de ECVA con estatinas tenían más probabilidades de ser negras o hispanas.
Sin embargo, de las 808 mujeres elegibles para el tratamiento de ECVA con terapia con estatinas, las mujeres negras tenían menores probabilidades de informar el uso de estatinas (OR = 0,53, IC del 95%: 0,36–0,78)
Este hallazgo es preocupante, ya que pone de manifiesto que, si bien las mujeres negras son candidatas a tratamientos que mejorarían los resultados de su enfermedad, no los reciben en la misma proporción.
La inteligencia artificial puede tener el potencial de reducir la variabilidad en la toma de decisiones clínicas.
Sin embargo, su papel en la mitigación del sesgo del médico sigue siendo incierto.
En un estudio de viñetas controlado aleatorizado, Goh et al. pidieron a cincuenta médicos que evaluaran casos en vídeo que involucraban a un paciente varón blanco con dolor de pecho y a una paciente mujer negra que presentaba dolor de pecho y que tomaran decisiones clínicas con respecto a la interpretación del ECG, los medicamentos y la derivación
Después de las decisiones iniciales de manejo, los médicos recibieron apoyo para la toma de decisiones clínicas generado por una herramienta basada en GPT-4 y se les permitió revisar sus respuestas.
El estudio encontró que los médicos estaban dispuestos a modificar los planes de manejo siguiendo las recomendaciones asistidas por IA y la precisión de la evaluación mejoró del 47 al 65 % para el escenario del paciente varón blanco y del 63 al 80 % en el escenario de la paciente mujer negra.
Sin embargo, estos hallazgos se derivaron de un diseño experimental de viñetas que utilizó encuentros simulados con pacientes y medidas indirectas de toma de decisiones clínicas en lugar de resultados de pacientes del mundo real.
En consecuencia, si bien el apoyo para la toma de decisiones asistido por IA puede ayudar a estandarizar aspectos de la evaluación clínica, su efectividad para reducir el sesgo o mejorar la equidad en la práctica clínica de rutina sigue siendo incierta, particularmente dadas las preocupaciones con respecto a los algoritmos.
Desafíos éticos y de implementación
Sesgo algorítmico
Si los sistemas de IA destinados al diagnóstico de enfermedades cardiovasculares se entrenan con conjuntos de datos sesgados, esto podría aumentar aún más el riesgo de padecerlas entre los pacientes pertenecientes a minorías.
Se considera el uso de la IA en entornos clínicos para minimizar los errores médicos.
Sin embargo, paradójicamente, las imprecisiones en los conjuntos de datos incrementarán dichos errores.
Un estudio investigó un modelo de IA, entrenado utilizando un conjunto de datos en el que más del 80% de los pacientes eran blancos, para el análisis de resonancia magnética cardíaca.
Se demostró que el modelo generalizaba mal en poblaciones históricamente subrepresentadas, con un rendimiento que disminuía notablemente para pacientes negros, asiáticos y de otras minorías.
Esta precisión reducida condujo a tasas sustancialmente más altas de clasificación incorrecta de insuficiencia cardíaca en pacientes no blancos, incluyendo un aumento de más de seis veces en la clasificación errónea entre pacientes chinos en comparación con pacientes blancos.
Estos hallazgos resaltan la necesidad de que la implementación de la IA se aborde con una atención cuidadosa a la equidad, ya que hacerlo fortalecerá y mejorará la efectividad del aprendizaje automático para predecir los resultados de las enfermedades y, en última instancia, mejorará la administración del tratamiento.
Estudios recientes en aprendizaje automático y aprendizaje profundo han buscado desarrollar algoritmos independientes de la raza que minimicen las posibles fuentes de sesgo.
Se desarrolló un algoritmo de aprendizaje profundo de red neuronal convolucional (CNN) para identificar pacientes con una fracción de eyección del ventrículo izquierdo (FEVI) ≤ 35% a partir de un ECG de 12 derivaciones.
La CNN se entrenó en una población predominantemente homogénea (96,2% blancos no hispanos), lo que plantea preocupaciones sobre la generalización dada la variación racial y étnica conocida en las características del ECG.
Se creó una CNN separada entrenada exclusivamente en participantes blancos no hispanos para la comparación, y un análisis secundario evaluó si los ECG podrían usarse para inferir la raza.
El algoritmo CNN demostró un rendimiento consistente en todos los grupos raciales y étnicos (AUC ≥ 0,93), lo que indica que la variación racial en las características del ECG no afectó su capacidad para predecir una FEVI baja
Este estudio pone de relieve la posibilidad de crear algoritmos de IA equitativos capaces de funcionar con precisión en diversas poblaciones de pacientes.
Si bien este modelo funcionó de manera independiente de la raza, las poblaciones minoritarias, como los participantes afroamericanos (que representaban solo el 1,2 % de la cohorte del estudio), permanecieron subrepresentadas.
Esto subraya la necesidad de una mayor diversidad de datos para garantizar que los futuros modelos de IA reflejen equitativamente a las poblaciones a las que están destinados.
Brecha digital
Los pacientes negros con insuficiencia cardíaca tienen el doble de probabilidades que los pacientes blancos de tener un bajo nivel de alfabetización en salud, incluso después de ajustar por datos demográficos, comorbilidades, apoyo social y estado del seguro.
Los pacientes chinos e hispanos también informan un menor nivel de alfabetización en salud, lo que puede dificultar el autocontrol cardiovascular efectivo
Estos desafíos suelen verse agravados por un dominio limitado del inglés y barreras culturales, que se asocian con retrasos en la atención médica, un menor uso de servicios preventivos y un peor manejo de las enfermedades crónicas.
La integración de la IA en la atención cardiovascular puede ampliar aún más estas brechas
Muchos enfoques habilitados por IA dependen de la participación del paciente con tecnologías de salud digital, incluidos dispositivos portátiles, sistemas de monitoreo remoto y aplicaciones de salud móvil.
Los pacientes con alfabetización sanitaria o digital limitada pueden tener mayor dificultad para comprender, acceder o utilizar de forma constante estas herramientas, lo que reduce su participación en modelos de atención respaldados por IA.
Debido a que los sistemas de IA dependen cada vez más de los datos generados continuamente por los pacientes, las personas que no pueden o no quieren interactuar con ellos pueden quedar excluidas de manera desproporcionada de los beneficios de la medicina de precisión.
Las desigualdades estructurales en el acceso a la atención médica representan una preocupación adicional.
Las poblaciones desatendidas tienen menos probabilidades de recibir atención en centros médicos académicos o tecnológicamente avanzados donde es más probable que se introduzcan herramientas de diagnóstico y terapéuticas basadas en IA
A medida que la IA se integra más en la prestación de servicios de salud, las disparidades en el acceso digital, la alfabetización sanitaria y los recursos institucionales podrían reforzar las desigualdades sanitarias existentes en lugar de mitigarlas.
Por lo tanto, lograr una implementación equitativa requerirá esfuerzos específicos para mejorar el acceso a la tecnología, la educación del paciente y la alfabetización digital entre las poblaciones desfavorecidas.
Privacidad/seguridad
Surgen otros problemas éticos, ya que la información sensible de los registros médicos puede ser susceptible a filtraciones de datos
Esto es algo que los tecnólogos deben tener en cuenta al crear estas herramientas de diagnóstico.
Es fundamental emplear métodos para proteger la información confidencial de los historiales médicos.
Además, se debe obtener el consentimiento informado de los pacientes cuyos datos se utilizarán para el análisis de macrodatos, ya que esto preserva su autonomía.
La consideración más importante para la utilización de la IA en la atención médica es que se utilice de manera beneficiosa.
Estos modelos de IA no deben seguir perpetuando las desigualdades en salud.
De hecho, deben ser de alta calidad y altamente inteligentes para ser útiles y mejorar la atención mediante un diagnóstico más preciso de los pacientes cardiovasculares.
Al ampliar la investigación cardiovascular actual y crear bases de datos más inclusivas con información poblacional intencionalmente diversa, se proporciona a los modelos de IA los datos necesarios para garantizar que las tecnologías de IA sean de calidad, éticas, equitativas y precisas.
Regulación
La FDA es la principal agencia reguladora que supervisa la implementación de la IA en la atención médica, evaluando las tecnologías habilitadas para IA utilizadas en la atención clínica como dispositivos médicos.
En este papel, la FDA considera criterios importantes como la seguridad, la eficacia y la viabilidad.
Sin embargo, el examen del papel de la FDA en la regulación de la IA en la atención médica sigue siendo importante, ya que las limitaciones en los procesos regulatorios actuales pueden permitir que los sesgos presentes en los datos de entrenamiento y validación pasen desapercibidos.
Un estudio reciente revisó 692 dispositivos médicos habilitados para aprendizaje automático e inteligencia artificial (IA/ML) aprobados por la FDA entre 1995 y 2023 para evaluar la representación sociodemográfica entre las tecnologías aprobadas.
La FDA exige a los fabricantes de dispositivos médicos que proporcionen un Resumen de Datos de Seguridad y Eficacia (SSED por sus siglas en inglés de Safety and Effectiveness Data), que describe la evidencia que respalda la aprobación de la FDA.
El estudio encontró que el 77,9% de los SSED no informaron datos demográficos y solo el 3,6% de los SSED informaron raza y/o etnia.
Además, solo el 0,9% de los dispositivos aprobados informaron información sobre el estatus socioeconómico.
A pesar de la baja notificación de factores sociodemográficos como raza, etnia y estatus socioeconómico, los dispositivos cardiovasculares representaron aproximadamente el 70% de los dispositivos médicos aprobados habilitados para IA/ML, lo que representa el segundo porcentaje más alto entre las especialidades médicas
Estos hallazgos generan inquietudes sobre el posible sesgo en la prestación de atención cardiovascular asistida por IA y resaltan la importancia de la transparencia demográfica durante la revisión regulatoria.
Si bien estas deficiencias pueden fomentar las disparidades en la prestación de atención cardiovascular en la actualidad, también señalan directamente áreas donde se pueden realizar modificaciones en los procesos regulatorios para prevenir una mayor promoción del sesgo.
Exigir a los fabricantes que informen sobre los datos demográficos de los subgrupos dentro de los SSED y establecer estándares para evaluar el rendimiento del modelo en función de la raza, la etnia y los grupos socioeconómicos puede ayudar a reducir el riesgo de sesgo y promover una implementación equitativa de la IA en la atención cardiovascular.
Aunque el desarrollo de modelos de IA ha demostrado capacidades diagnósticas en cardiología, la implementación generalizada requiere tanto interpretabilidad como datos de entrenamiento representativos.
La interpretabilidad se refiere a la capacidad de los clínicos para comprender cómo y por qué un modelo de IA llega a una recomendación o diagnóstico clínico.
A medida que los modelos de IA se integran en la práctica clínica, la interpretabilidad permite a los proveedores de atención médica evaluar las recomendaciones diagnósticas, identificar posibles sesgos y determinar si las recomendaciones son clínicamente significativas, confiables y equitativas..
Esta necesidad de interpretabilidad subraya la importancia de entrenar los modelos de IA en poblaciones de pacientes diversas y representativas.
Los conjuntos de datos que subrepresentan a ciertos grupos raciales, étnicos o pacientes de un sexo determinado pueden producir recomendaciones sesgadas, perpetuando potencialmente las disparidades existentes en la atención médica
Este sesgo también puede afectar la confianza de los médicos en la toma de decisiones asistida por IA, lo que limita la integración y reduce la eficacia de estas herramientas en la atención al paciente.
Conclusión
La inteligencia artificial está transformando rápidamente la cardiología mediante avances en la predicción de riesgos, la interpretación de imágenes, la detección de enfermedades y la monitorización remota.
Sin embargo, este progreso tecnológico coexiste con persistentes desigualdades en la atención cardiovascular, derivadas de barreras estructurales, la escasa representación en las bases de datos clínicas y el acceso desigual a los recursos sanitarios.
Esta revisión demuestra que, si bien la IA tiene un gran potencial para reducir estas disparidades, puede propagarlas o amplificarlas cuando se desarrolla utilizando conjuntos de datos sesgados o se implementa en sistemas sanitarios desiguales.
Es importante destacar que muchas de estas aplicaciones actuales de IA siguen siendo pruebas de concepto o estudios de validación temprana, y se necesita un trabajo sustancial antes de su adopción clínica generalizada.
Se requieren estudios prospectivos para evaluar la validez, la generalización y el rendimiento en el mundo real de estas herramientas en diversas poblaciones de pacientes y entornos sanitarios
También se necesita más investigación para abordar la viabilidad logística de ampliar los sistemas de IA para uso clínico, incluyendo la integración del flujo de trabajo, la supervisión clínica, la infraestructura digital, el costo y los resultados de la implementación a largo plazo.
El impacto futuro de la IA en cardiología dependerá no solo del rendimiento del modelo, sino también de cómo se diseñen, validen y desplieguen estas tecnologías.
Para lograr este potencial se requieren políticas e iniciativas que promuevan conjuntos de datos de entrenamiento representativos, una evaluación transparente de los sesgos, una mayor accesibilidad digital y marcos de gobernanza intencionales.
Estas medidas pueden fortalecer la generalización del modelo al tiempo que apoyan una atención cardiovascular inclusiva y eficaz.
Sin salvaguardas deliberadas, la IA corre el riesgo de reforzar los sesgos existentes
Sin embargo, con una implementación cuidadosa, puede convertirse en una herramienta valiosa para promover una atención cardiovascular más precisa, accesible y equitativa.
* Harris MN, Desai P, Yalley E, Wu Y, Singleton M, DeBerry E, Batta Y, Levy G, Haddad GE. Artificial intelligence in cardiology: implications for healthcare outcomes. Front Artif Intell. 2026 Jul 15;9:1818586. doi: 10.3389/frai.2026.1818586. PMID: 42528953; PMCID: PMC13416096.
