Electrocardiogramas con inteligencia artificial y miocardiopatía relacionada con el embarazo
Investigadores de EEUU realizaron una revisión sistemática y un metaanálisis diagnóstico de la literatura previamente publicada con el propósito de evaluar el rol del ECG basado en inteligencia artificial (IA) en pacientes embarazadas que cursan con una miocardiopatía relacionada y publicaron sus hallazgos. y conclusiones en la edición del 24 de agosto del 2026 del JACC: Advances*.
La NOTICIA DEL DÍA hoy se ocupará de realizar comentarios sobre esta publicación.
Es válido señalar a manera de introducción aclaratoria que el electrocardiograma (ECG) basado en inteligencia artificial (IA) consiste en el uso de algoritmos avanzados de aprendizaje automático y profundo (deep learning) para analizar los trazados eléctricos del corazón con una precisión y velocidad superiores a las del ojo humano.
Asimismo es legítimo precisar el alto costo de los equipos disponibles en el mercado.
El sistema funciona según algunas características que se mencionan a continuación:
- Detección de patrones ocultos: La IA procesa millones de latidos y ondas del ECG para identificar señales microscópicas o sutiles que los cardiólogos no pueden ver a simple vista.
- Uso de redes neuronales: Emplea modelos entrenados con grandes bases de datos para relacionar las formas de onda del corazón con diversas patologías presentes o futuras.
- Integración digital: Se conecta directamente a los sistemas de salud y dispositivos para evaluar los resultados en milisegundos.
Sus principales aplicaciones apuntan a:
- Detección temprana: Identifica de forma precoz el riesgo de insuficiencia cardíaca, arritmias silenciosas como la fibrilación auricular, o cardiopatías hipertróficas.
- Monitoreo cotidiano: Permite que relojes inteligentes o dispositivos portátiles analicen un ECG simple para alertar sobre un deterioro en la salud del paciente antes de que requiera internación.
- Estimación biológica: Calcula la edad fisiológica o biológica del corazón y detecta anomalías sistémicas a partir de un examen convencional de rutina.
La miocardiopatía o insuficiencia cardíaca que se produce durante el embarazo o el posparto es una de las principales causas de mortalidad materna.
Se halla asociada con disfunción sistólica del ventrículo izquierdo (DSVI) identificada en cualquier momento durante el embarazo o dentro de los 12 meses posteriores al período de gravidez y se asocia con resultados maternos adversos.
La forma más comúnmente descrita es la miocardiopatía periparto, identificada al final del embarazo o en el posparto, en mujeres sin enfermedad cardiovascular previa.
Esta afección se caracteriza por síntomas de insuficiencia cardíaca y una fracción de eyección del ventrículo izquierdo (FEVI) <45%.
Con el fin de describir todas las formas de DSVI presentes durante el período perinatal, se refiere a ellas colectivamente como miocardiopatía relacionada con el embarazo (PRCM por sus siglas en inglés de pregnancy-related cardiomyopathy), que incluye la miocardiopatía periparto.
Debido a la importante superposición entre los síntomas de la PRCM y los cambios fisiológicos normales del embarazo, su diagnóstico a menudo se retrasa, lo que contribuye a un aumento de la morbilidad y la mortalidad en las mujeres afectadas.
Por lo tanto, la detección temprana de la miocardiopatía periparto sigue siendo un desafío clave, particularmente en entornos clínicos con acceso limitado a la ecocardiografía y/o a servicios cardiovasculares especializados.
En los últimos años, la inteligencia artificial (IA) ha demostrado ser prometedora para mejorar el diagnóstico de enfermedades cardiovasculares.
El análisis de electrocardiogramas (ECG) basado en IA puede descubrir patrones sutiles que escapan a los intérpretes humanos.
Esto se ha aprovechado para la detección de miocardiopatía periparto (MPP), donde varios modelos de IA basados en datos de ECG han demostrado resultados prometedores en la identificación de disfunción sistólica del ventrículo izquierdo (DSVI) en mujeres embarazadas y puérperas.
Estos modelos podrían permitir un diagnóstico y tratamiento más tempranos de la MPP y mejorar los resultados maternos.
Sin embargo, no se ha publicado una revisión exhaustiva y sistemática de su eficacia y utilidad clínica.
También es necesario evaluar los factores que influyen en el rendimiento de los modelos, para proporcionar una guía valiosa para futuros esfuerzos dirigidos a validar los modelos existentes o desarrollar otros nuevos.
Para subsanar esta importante deficiencia, se realizó una revisión sistemática y un metaanálisis de modelos de ECG con inteligencia artificial (ECG-IA) centrados en la detección de la miocardiopatía periparto (MPP).
El objetivo fue evaluar las estimaciones de rendimiento combinadas, incluyendo la sensibilidad, la especificidad, la razón de probabilidades diagnóstica (OR) y el área bajo la curva (AUC); investigar las fuentes de heterogeneidad, si las hubiera, y su impacto en el rendimiento del modelo; así como explorar su utilidad clínica.
Se planteó la hipótesis de que los modelos de ECG-IA serían eficaces para la detección de la MPP.
Dado el estado incipiente de este campo de investigación, este análisis fue principalmente exploratorio y los resultados representan hallazgos preliminares de un campo en rápida evolución.
Es esperable que los hallazgos aceleren el desarrollo de futuros modelos y faciliten su rápida implementación clínica para mejorar los resultados de salud cardiovascular materna.
En síntesis, la miocardiopatía relacionada con el embarazo es una de las principales causas de muerte materna en Estados Unidos.
Sus síntomas suelen coincidir con los de un embarazo normal, y la falta de herramientas de detección validadas limita su reconocimiento precoz y contribuye a los retrasos en el diagnóstico.
Se han desarrollado y validado múltiples modelos de electrocardiograma con inteligencia artificial (ECG-IA) para la detección de la PRCM.
El objetivo fue investigar el rendimiento diagnóstico combinado de estos modelos.
Se realizó una búsqueda sistemática en PubMed, Scopus y Cochrane para identificar estudios que investigaran el uso de modelos de ECG basados en IA para la detección de miocardiopatía periparto.
Se incluyeron en el análisis los estudios que presentaban datos completos de la matriz de confusión 2×2 para el modelo de ECG basado en IA.
Se realizó un metaanálisis univariado y bivariado de efectos aleatorios de Reitsma (que analiza de manera conjunta y simultánea dos dimensiones esenciales: la sensibilidad y la especificidad).
Las estimaciones de rendimiento combinadas con intervalos de confianza del 95 % se presentan en diagramas de bosque y una curva ROC resumida.
La búsqueda identificó 716 estudios (PubMed: 84, Scopus: 544, Cochrane: 88) de los cuales 6 estudios que involucraron a 2928 pacientes fueron incluidos en el metaanálisis.
El metaanálisis del modelo de efectos aleatorios univariado reveló una sensibilidad combinada de 0,808 (0,656-0,902), especificidad de 0,944 (0,889-0,973) y OR diagnóstico de 54,017 (37,918-76,952).
Siguiendo el metaanálisis del modelo de efectos aleatorios bivariado de Reitsma, los modelos AI-ECG arrojaron una sensibilidad combinada de 0,775 (0,623-0,878); especificidad de 0,936 (0,871-0,969); y área bajo la curva de 0,932 (0,813-0,953) para la detección de PRCM
La discusión de estos resultados, permitieron a los autores afirmar que esta revisión sistemática y metaanálisis DTA (diagnostic test accuracy, -precisión de pruebas diagnósticas-) de 6 estudios que involucraron a 2928 pacientes encontraron que los modelos AI-ECG tuvieron una buena precisión diagnóstica para la detección de PRCM.
El metaanálisis univariado de efectos aleatorios arrojó una sensibilidad combinada de 0,808 (IC del 95%: 0,656-0,902), especificidad de 0,944 (0,889-0,973) y OR de 54,017 (37,918-76,952), mientras que el modelo bivariado de Reitsma arrojó una sensibilidad combinada de 0,775 (0,623-0,878), especificidad de 0,936 (0,871-0,969) y un AUC de 0,932 (0,813-0,953), este último dentro del rango generalmente considerado como una excelente capacidad discriminatoria.
Se considera que una prueba diagnóstica es potencialmente útil cuando su sensibilidad y especificidad suman al menos 1,5; nuestras estimaciones combinadas (suma ≈ 1,7) sugieren que el ECG con IA para la detección de miocardiopatía periparto es una prueba clínicamente útil según este criterio.
Si bien la regla de 1,5 es imperfecta y los resultados deben interpretarse junto con otros indicadores de rendimiento diagnóstico presentados, hasta donde se sabe, este es el primer metaanálisis que evaluó la precisión diagnóstica de los modelos de ECG con IA para la detección de miocardiopatía periparto.
La utilidad clínica puede evaluarse aún más a través de las razones de verosimilitud de una prueba.
Una razón de verosimilitud positiva (RVP) de 5 a 10 proporciona evidencia moderada, y una RVP > 10 evidencia fuerte, para confirmar la enfermedad después de un resultado positivo, mientras que una razón de verosimilitud negativa (RVN) inferior a 0,1 proporciona evidencia fuerte para descartar la enfermedad después de un resultado negativo.
El análisis arrojó una RVP combinada de 13 y una RVN de 0,23.
La RVP supera 10, lo que indica que un resultado positivo de ECG con IA proporciona evidencia fuerte para confirmar la miocardiopatía periparto (MPP); la RVN, aunque inferior a 1, no alcanza el umbral de 0,1, lo que indica que un resultado negativo reduce, pero no excluye fuertemente, la probabilidad de MPP.
En consonancia con esto, el límite inferior de la sensibilidad combinada que se observó (∼0,62-0,66) indica que una proporción no trivial de casos de MPP podría pasar desapercibida para los modelos de ECG con IA.
Por lo tanto, los resultados del modelo de ECG con IA complementan mejor, en lugar de reemplazar, la evaluación clínica.
De manera similar, con una prevalencia observada de miocardiopatía periparto del 9,4 %, un resultado positivo incrementó la probabilidad posterior a la prueba de padecer miocardiopatía periparto aproximadamente seis veces, hasta el 57 %, mientras que un resultado negativo la redujo aproximadamente cinco veces, hasta el 2 %.
En conjunto, estos hallazgos respaldan el papel de los modelos de ECG basados en IA como herramientas no invasivas y complementarias a los algoritmos clínicos existentes para la detección de la miocardiopatía periparto.
El metaanálisis univariado identificó una heterogeneidad moderada en la sensibilidad combinada ( I² = 71,5 %) y una alta heterogeneidad en la especificidad combinada ( I² = 93,7 %).
Por el contrario, la heterogeneidad en los análisis univariados de OR fue mínima ( I² = 2,5 %).
Esto es consistente con un efecto umbral por el cual , entre los estudios, la sensibilidad y la especificidad varían inversamente a lo largo de la curva ROC resumida, y dado que el logaritmo de OR es la suma de los logits de sensibilidad y especificidad, estos cambios opuestos se compensan en gran medida, dejando el OR relativamente estable.
Bajo el modelo bivariado, la heterogeneidad ajustada por muestra fue baja (I² de Holling = 1,4 % ).
El bajo valor de I² de Holling es consistente con el I² más alto obtenido de los análisis univariados.
El I² univariado cuantifica la heterogeneidad entre estudios en una sola medida, mientras que el I² de Holling resume la heterogeneidad en el modelo bivariado conjunto después de tener en cuenta la correlación entre sensibilidad y especificidad.
Los posibles contribuyentes a la heterogeneidad entre estudios identificada en el metaanálisis univariado incluyen diferencias en el diseño del estudio, el entorno clínico, el tamaño de la muestra, la población del estudio y el modelo AI-ECG específico evaluado.
Sin embargo, dado el pequeño número de estudios incluidos ( n = 6), los análisis formales de subgrupos o metarregresión para atribuir esta heterogeneidad a covariables individuales habrían sido insuficientes y poco fiables, y por lo tanto no se realizaron.
En cambio, los autores examinaron la robustez de las estimaciones combinadas a través de análisis de sensibilidad preespecificados: excluyendo el estudio dependiente de corrección de continuidad, el estudio que determinó PRCM utilizando códigos ICD-9/10, y para abordar la superposición de grupos de investigación, los 3 estudios que comparten un autor principal común con este análisis.
En todos estos análisis, la sensibilidad, especificidad, OR y AUC combinados no difirieron significativamente de las estimaciones primarias, lo que respalda la solidez de los hallazgos.
Los modelos de ECG basados en IA ofrecen varios beneficios potenciales para la detección de la miocardiopatía periparto (MPP).
Al permitir un reconocimiento más temprano de la MPP, pueden facilitar la intervención terapéutica oportuna en pacientes con riesgo de morbilidad y mortalidad significativas.
Debido a que pueden detectar patrones de ECG que no son fácilmente evidentes para los intérpretes humanos, los modelos de ECG basados en IA pueden servir como herramientas de apoyo a la toma de decisiones que reducen la variabilidad interobservador inherente a la interpretación del ECG, y podrían integrarse en los sistemas de registros electrónicos de salud para ayudar a estandarizar las vías de diagnóstico y evaluación de riesgos.
Dichas herramientas pueden ser particularmente valiosas en entornos de atención primaria y ambulatoria obstétrica, y potencialmente en entornos con recursos limitados, incluidos los países de ingresos bajos y medianos (PIBM), donde el acceso oportuno a la experiencia cardiovascular puede ser limitado.
Sin embargo, los datos sobre el rendimiento del modelo en los PIBM se basan en un único ensayo controlado aleatorizado realizado en Nigeria.
Estos beneficios potenciales se ven atenuados por la incertidumbre sobre su generalización más allá de los entornos clínicos en los que se entrenaron y validaron los modelos.
Esto es particularmente relevante para los países de ingresos bajos y medianos, ya que la mayoría de los modelos de ECG con IA disponibles actualmente se desarrollaron utilizando datos de poblaciones de altos ingresos.
En nuestra revisión, solo 1 estudio evaluó un modelo de ECG con IA en África o en un entorno con recursos limitados.
Se necesitarán conjuntos de datos de entrenamiento amplios y diversos, así como validación externa en diversos entornos raciales, socioeconómicos y geográficos, antes de que estos modelos puedan considerarse herramientas fiables y ampliamente aplicables para la detección de la miocardiopatía periparto.
Aunque algunos de los modelos evaluados han recibido la aprobación de la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA), los modelos futuros requerirán una supervisión regulatoria rigurosa para garantizar que su implementación clínica cumpla con los estándares de privacidad del paciente y uso ético.
Este metaanálisis tiene varias limitaciones admitidas por los autores.
Primero, solo 6 estudios cumplieron con los criterios de inclusión, y las estimaciones combinadas, particularmente la especificidad, mostraron una heterogeneidad sustancial entre estudios, con intervalos de confianza amplios correspondientes.
La detección de miocardiopatía periparto mediante ECG con IA es un campo relativamente nuevo y en rápida evolución, ya que los 6 estudios incluidos se publicaron a partir de 2021.
A medida que la base de evidencia continúa creciendo, las síntesis actualizadas ayudarán a refinar estas estimaciones combinadas.
Segundo, los estudios incluidos fueron predominantemente retrospectivos y evaluaron diferentes modelos de ECG con IA con arquitecturas, preprocesamiento de ECG y procedimientos de control de calidad variables.
Por lo tanto, las estimaciones reflejan el rendimiento de los modelos de ECG con IA como una clase en lugar de una herramienta implementable individual.
Tercero, 3 de los estudios incluidos fueron coescritos por el autor principal de este análisis (DA), pero un análisis de sensibilidad de exclusión de un autor no modificó significativamente las estimaciones combinadas.
Sin embargo, este análisis posterior se limitó a 3 estudios y, por lo tanto, tiene poca potencia estadística.
Además, la selección de estudios y la extracción de datos fueron realizadas de forma independiente por dos revisores (OA y OEI), ninguno de los cuales es el autor principal, lo que reduce aún más el potencial de sesgo.
En cuarto lugar, la evidencia disponible aborda únicamente la precisión diagnóstica y ninguno de los estudios incluidos evaluó el efecto de la detección guiada por ECG-AI en el manejo clínico posterior o los resultados maternos.
Un estudio determinó la miocardiopatía periparto a partir de códigos ICD-9/10 en lugar de la reducción de la fracción de eyección del ventrículo izquierdo confirmada ecocardiográficamente.
Dichos códigos administrativos son un estándar de referencia imperfecto y pueden introducir una clasificación errónea de los resultados, lo que abordaron calificando este estudio con un alto riesgo de sesgo y confirmando que su exclusión no alteró materialmente las estimaciones calculadas.
Aunque el gráfico de embudo de Deeks no mostró evidencia estadística de sesgo de publicación, el pequeño número de estudios incluidos hace que la prueba tenga poca potencia y, por lo tanto, debe interpretarse con precaución como un hallazgo preliminar dentro de un campo en rápida evolución.
A medida que los modelos de ECG-AI se siguen desarrollando y validando en diversas poblaciones, se necesitarán metaanálisis actualizados y, en última instancia, estudios prospectivos para confirmar y ampliar estos hallazgos.
Como conclusiones, los autores afirman que
este metaanálisis sugiere que los modelos de ECG basados en IA tienen una buena precisión diagnóstica para la detección de la miocardiopatía periparto y podrían ser útiles como complementos de las vías diagnósticas existentes.
La integración de estos modelos en los flujos de trabajo clínicos y los sistemas de historia clínica electrónica podría facilitar la detección temprana de la miocardiopatía periparto en entornos obstétricos y de atención primaria.
Sin embargo, el reducido número de estudios, la heterogeneidad entre los modelos y la ausencia de datos sobre resultados clínicos limitan estas conclusiones.
Dado que los estudios incluidos evaluaron la precisión diagnóstica en lugar del manejo clínico, su efecto sobre los retrasos diagnósticos y los resultados maternos aún no se ha determinado.
Serán esenciales estudios adicionales que evalúen los modelos de ECG basados en IA en poblaciones más amplias y diversas, y, en última instancia, evaluaciones prospectivas de su efecto en los resultados de las pacientes, para establecer su generalización y valor clínico.
* Adesanya O, Irorere OE, Young K, Tobah YB, Carter RE, Adedinsewo D. Artificial Intelligence-Enabled Electrocardiograms and Pregnancy-Related Cardiomyopathy: A Systematic Review and Diagnostic Meta-Analysis. JACC Adv. 2026 Aug 24:103180. doi: 10.1016/j.jacadv.2026.103180. Epub ahead of print. PMID: 42720664.
