Inteligencia artificial para la evaluación de la hipertensión pulmonar
Investigadores del Reino Unido realizaron una revisión sistemática y un metaanálisis de publicaciones previamente indexadas con el propósito de evaluar el rendimiento diagnóstico de la electrocardiografía asistida por IA en el escenario de una posible hipertensión pulmonar y publicaron sus hallazgos y conclusiones en la edición.del 8 de septiembre del The European Heart Journal Digital Health (EHJ-DH)*.
Estas consideraciones serán analizadas hoy en la NOTICIA DEL DÍA.
En la introducción a la revisión, los autores indicaron que la hipertensión pulmonar (HP) es un trastorno fisiopatológico complejo y progresivo, definido hemodinámicamente por una presión arterial pulmonar media en reposo >20 mmHg medida durante el cateterismo cardíaco derecho (RHC, por sus siglas en inglés de right-heart catheterization).
Afecta a ∼1% de la población mundial, con una prevalencia que aumenta entre los adultos mayores y las personas con enfermedades cardíacas o pulmonares subyacentes.
La hipertensión pulmonar suele presentarse con síntomas inespecíficos, como disnea, fatiga y edema, y se han notificado retrasos diagnósticos superiores a 2 años.
El diagnóstico tardío es clínicamente importante porque los pacientes pueden presentar enfermedad vascular pulmonar avanzada, insuficiencia ventricular derecha y un peor pronóstico.
Las guías actuales recomiendan una vía diagnóstica multimodal por etapas que incorpora evaluación clínica; electrocardiografía (ECG); biomarcadores, como el péptido natriurético cerebral (BNP) o el pro-BNP N-terminal; evaluación de la función pulmonar; e imágenes torácicas.
La ecocardiografía estima la probabilidad de HP y evalúa la estructura y función cardíacas, mientras que el RHC (por sus siglas en inglés de right-heart catheterization) es necesario para la confirmación y clasificación hemodinámica definitiva.
El ECG de 12 derivaciones es económico, ampliamente disponible y se realiza de forma rutinaria, pero los signos convencionales de sobrecarga de presión del corazón derecho, incluyendo desviación del eje a la derecha, P pulmonale e hipertrofia ventricular derecha, tienen sensibilidad limitada y a menudo aparecen solo en la enfermedad más avanzada.
Los métodos de aprendizaje profundo pueden extraer patrones sutiles y de alta dimensionalidad de las ondas de ECG sin procesar que no son evidentes durante la interpretación convencional.
El ECG con inteligencia artificial (IA) ya ha demostrado su utilidad para identificar afecciones que tradicionalmente no se diagnostican mediante ECG, incluida la disfunción sistólica ventricular izquierda oculta.
Estos avances han impulsado el desarrollo de modelos basados en ECG destinados a identificar la hipertensión pulmonar o fenotipos ecocardiográficos relacionados antes de una investigación definitiva.
Por lo tanto, los autores realizaron una revisión sistemática y un metaanálisis sobre la precisión de las pruebas diagnósticas para evaluar los modelos de ECG basados en IA para afecciones relacionadas con la hipertensión pulmonar.
Los objetivos fueron resumir las poblaciones de estudio, los estándares de referencia, las arquitecturas de IA y las estrategias de validación; cuantificar la discriminación basada únicamente en el ECG cuando fuera apropiado; y examinar la heterogeneidad metodológica y clínica que afecta la interpretación y la posible implementación.
Reiterando lo dicho a manera de síntesis, vale subrayar que la hipertensión pulmonar (HP) es una afección progresiva y poco reconocida con una morbilidad y mortalidad sustanciales.
Su presentación inespecífica y la vía diagnóstica multimodal contribuyen al retraso en el diagnóstico.
La electrocardiografía (ECG) con inteligencia artificial (IA) puede ofrecer un enfoque escalable para la detección de casos.
Esta revisión sistemática y metaanálisis PRISMA-DTA se registró en PROSPERO (CRD420251241142).
A tales efectos, se realizaron búsquedas en MEDLINE, Embase, Web of Science, Scopus e IEEE Xplore hasta julio de 2026, con Google Scholar y búsqueda de citas como fuentes suplementarias.
Los estudios elegibles evaluaron la ECG con IA en adultos frente a la HP confirmada por cateterismo cardíaco derecho o fenotipos ecocardiográficos relacionados con la HP.
Dos revisores examinaron de forma independiente los estudios, extrajeron los datos y evaluaron el riesgo de sesgo utilizando QUADAS-2.
Se combinó un área bajo la curva ROC (AUROC) de ECG por estudio utilizando un modelo de efectos aleatorios.
Se incluyeron siete estudios retrospectivos; seis contribuyeron al metaanálisis.
El AUROC combinado fue de 0,885 (IC del 95 %: 0,855–0,915), con una heterogeneidad muy alta (I² = 98,68 %; P < 0,0001).
La estimación combinó definiciones heterogéneas de RHC (por sus siglas en inglés de right-heart catheterization), ecocardiográficas y clínico-ecocardiográficas y, por lo tanto, no representó la precisión para la HP confirmada uniformemente por RHC.
Cuatro estudios realizaron validación externa.
Los modelos multimodales superaron al ECG solo en dos estudios, pero se excluyeron del agrupamiento.
El ECG con IA muestra una discriminación prometedora para objetivos relacionados con la HP, pero la evidencia actual es retrospectiva y heterogénea.
Debe considerarse una ayuda para la detección de casos o el triaje en investigación, en lugar de una prueba de exclusión diagnóstica definitiva e independiente.
Al considerar los hallazgos señalados para abrir la discusión, los autores subrayaron que esta revisión sistemática identificó siete estudios retrospectivos de ECG con IA para objetivos relacionados con la hipertensión pulmonar (HP).
Seis de ellos contribuyeron a un metaanálisis de ECG únicamente, que produjo un AUROC combinado de 0,885.
Sin embargo, la heterogeneidad fue muy alta y la condición objetivo no fue uniforme.
Los estudios evaluaron HP mixta (catéter derecho/ecocardiográfica), umbrales de presión ecocardiográfica aislados, probabilidad ecocardiográfica compuesta y un fenotipo de HAP clínico-ecocardiográfico.
Por lo tanto, la estimación combinada debe interpretarse como un promedio de discriminación entre resultados relacionados pero no intercambiables, y no como una precisión diagnóstica para HP uniformemente confirmada hemodinámicamente.
Los modelos basados en IA generalmente mostraron una mayor capacidad de discriminación que los criterios de ECG convencionales, lo que sugiere que los métodos de aprendizaje automático pueden identificar firmas electrofisiológicas asociadas con la enfermedad vascular pulmonar y la remodelación del corazón derecho que no son evidentes en la interpretación rutinaria.
La validación externa en cuatro estudios proporciona cierta evidencia de transferibilidad, pero el rendimiento no fue uniforme en todos los entornos, y toda la evidencia fue retrospectiva.
En términos más generales, la traslación de los modelos de IA cardiovascular a la atención rutinaria sigue estando limitada por los cambios en la composición de la población, la deriva de la calibración, la integración del flujo de trabajo, la interpretabilidad y los requisitos regulatorios.
La relevancia clínica de los estudios ecocardiográficos radica principalmente en la detección y clasificación de casos, más que en el diagnóstico definitivo.
Un ECG con IA podría ayudar a identificar a los pacientes que requieren una evaluación clínica completa, ecocardiografía y, cuando esté indicado, cateterismo cardíaco derecho.
Sin embargo, la discriminación de un umbral de presión ecocardiográfico no puede equipararse al diagnóstico de hipertensión pulmonar confirmada hemodinámicamente, y el ECG con IA no puede reemplazar la evaluación de probabilidad ecocardiográfica ni el cateterismo cardíaco derecho.
La probabilidad ecocardiográfica se operacionalizó de manera diferente en los distintos estudios.
La evaluación contemporánea no se basa únicamente en la velocidad de regurgitación tricuspídea o la presión sistólica estimada de la arteria pulmonar, sino que integra signos adicionales de sobrecarga de presión y remodelación del corazón derecho, incluyendo agrandamiento del ventrículo derecho y la aurícula derecha, aplanamiento del tabique interventricular, dilatación de la arteria pulmonar o muescas de flujo, y anomalías de la vena cava inferior/aurícula derecha.
La mayoría de los estudios incluidos utilizaron umbrales aislados de velocidad o presión.
Kwon et al . en cambio utilizaron una definición compuesta que incorporaba la presión pulmonar estimada y, cuando el gradiente de regurgitación tricuspídea era menor, medidas adicionales del tamaño y la función del ventrículo derecho.
En consecuencia, los grupos con ecocardiografía positiva representaron diferentes probabilidades diagnósticas, severidades y fenotipos, lo que contribuyó a la heterogeneidad clínica, los efectos de espectro y la posible clasificación errónea.
Los valores predictivos negativos generalmente altos reportados en varias cohortes resultan potencialmente atractivos para la clasificación de pacientes, pero deben interpretarse con cautela.
Los valores predictivos dependen de la prevalencia de la enfermedad, las vías de derivación y el umbral operativo seleccionado.
La baja prevalencia de la afección objetivo en varios conjuntos de datos aumentó los valores predictivos negativos, a la vez que limitó los valores predictivos positivos.
Por lo tanto, los estudios de implementación prospectivos deben evaluar la calibración del modelo, la selección del umbral, el beneficio neto y las pruebas posteriores dentro de la población objetivo, en lugar de basarse únicamente en el AUROC retrospectivo o los valores predictivos.
Los modelos multimodales arrojaron AUROC más altos que los modelos solo de ECG en dos estudios.
Esto es biológica y clínicamente plausible porque el ECG, la radiografía de tórax y los péptidos natriuréticos capturan aspectos complementarios de la sobrecarga del corazón derecho, la enfermedad vascular pulmonar y el estrés hemodinámico.
Sin embargo, estos hallazgos surgieron de estudios retrospectivos y no deben tomarse como evidencia de que la IA multimodal mejore los resultados clínicos.
El experimento de asistencia al clínico informado por Kishikawa et al . es alentador, pero se requieren ensayos prospectivos para establecer si el apoyo de la IA acorta las vías de diagnóstico, reduce la enfermedad no detectada, evita pruebas innecesarias o mejora los resultados.
Los análisis temporales sugieren que el ECG con IA podría detectar una señal asociada a la hipertensión pulmonar meses o años antes de un diagnóstico reconocido.
Esta observación no establece que el modelo identifique una etapa preclínica que requiera intervención.
Los ECG anteriores podrían reflejar comorbilidades establecidas, remodelación del ventrículo derecho o patrones de utilización de servicios de salud.
Se necesitan estudios longitudinales prospectivos que vinculen los resultados del modelo con datos hemodinámicos, de imagen y clínicos en serie para determinar qué representan estas señales tempranas y si es beneficioso actuar sobre ellas.
La presentación de informes metodológicos también requiere mejoras.
La arquitectura del modelo, el preprocesamiento, la selección de umbrales, la calibración y la partición a nivel de paciente no se describieron de manera consistente.
Los ECG repetidos pueden aumentar el tamaño efectivo de la muestra, pero no mantener todos los exámenes de un participante dentro de una sola partición puede causar fuga de información.
La mayoría de los estudios incluidos utilizaron explícitamente la separación a nivel de paciente o un ECG por paciente durante la validación; sin embargo, esto no quedó claro en Tison et al .
Los estudios futuros deberían informar pacientes únicos por separado de los exámenes de ECG, preespecificar particiones de datos, evaluar la calibración y la utilidad clínica, y realizar una validación externa independiente en poblaciones que difieren por geografía, etnia, entorno de atención médica y etiología de HP.
Esta revisión presentó varias limitaciones según admitieron los propios autores.
En primer lugar, el AUROC combinado incluyó condiciones clínicamente heterogéneas.
Si bien el cateterismo cardíaco derecho es necesario para un diagnóstico hemodinámico definitivo, la mayoría de los estudios utilizaron marcadores ecocardiográficos indirectos y no fue posible realizar un metaanálisis basado únicamente en el cateterismo.
Por lo tanto, la estimación global no puede interpretarse como un indicador de precisión para la hipertensión pulmonar confirmada.
En segundo lugar, las definiciones ecocardiográficas no estaban estandarizadas.
Varios estudios utilizaron un umbral aislado de velocidad de regurgitación tricuspídea, presión sistólica del ventrículo derecho o presión estimada de la arteria pulmonar, en lugar de una evaluación de probabilidad integral que incorporara signos adicionales del corazón derecho y la arteria pulmonar.
Esto pudo haber generado inconsistencias en la clasificación y en los efectos del espectro.
En tercer lugar, todos los estudios fueron retrospectivos y susceptibles a sesgos de selección, sobreajuste y selección de umbrales optimistas.
Si bien cuatro estudios informaron validación externa independiente, no se contó con validación prospectiva en el mundo real.
Las arquitecturas de los modelos, los formatos de entrada y los umbrales operativos también difirieron sustancialmente.
En cuarto lugar, no fue posible sintetizar la sensibilidad y la especificidad mediante un modelo bivariado debido a la falta de datos compatibles de 2 × 2 y a la variabilidad de los umbrales.
Los valores predictivos dependían de la prevalencia y no podían generalizarse a diferentes contextos.
En quinto lugar, varios estudios incluyeron electrocardiogramas repetidos.
La mayoría utilizó la separación a nivel de paciente o un electrocardiograma por paciente durante la validación, pero la unidad de validación cruzada no quedó clara en un estudio.
Por lo tanto, la fuga de datos residuales o la falta de consideración de la correlación intrapaciente podrían haber inflado la precisión.
En sexto lugar, la búsqueda en Google Scholar se limitó a los primeros 200 resultados ordenados por relevancia.
Las clasificaciones pueden variar con el tiempo y no se dispone de una exportación exhaustiva y reproducible.
A pesar de haber consultado bases de datos biomédicas, multidisciplinarias y de ingeniería, es posible que se hayan omitido algunos informes no publicados o con una indexación deficiente.
Finalmente, la escasa evidencia disponible impidió una evaluación fiable de los efectos de estudios pequeños y limitó el análisis de subgrupos.
La evidencia sobre la integración del flujo de trabajo, el beneficio, las pruebas posteriores y los resultados en los pacientes sigue siendo escasa.
Como conclusiones, los modelos de ECG con IA demostraron una capacidad de discriminación prometedora para las afecciones objetivo relacionadas con la hipertensión pulmonar definidas en el estudio, con un AUROC combinado de 0,885.
Sin embargo, la estimación global combinó poblaciones heterogéneas, arquitecturas de modelos y definiciones de objetivos, incluyendo criterios mixtos de cateterismo cardíaco derecho/ecocardiografía, presión pulmonar elevada definida por ecocardiografía y fenotipos clínico-ecocardiográficos.
Por lo tanto, no debe interpretarse como precisión diagnóstica para la hipertensión pulmonar confirmada hemodinámicamente de forma uniforme.
La evidencia actual respalda una evaluación más exhaustiva del ECG con IA como herramienta para la detección de casos o la clasificación de pacientes, en lugar de como prueba diagnóstica definitiva o de exclusión independiente.
Los estudios futuros deberían utilizar definiciones estandarizadas de objetivos, segmentación preespecificada a nivel de paciente, informes de modelos transparentes, evaluación de la calibración y validación externa independiente.
Los estudios de rendimiento diagnóstico deberían basar preferentemente los resultados en el cateterismo cardíaco derecho o distinguir claramente las etiquetas ecocardiográficas sustitutas, mientras que se requieren estudios prospectivos de impacto clínico para determinar si el ECG con IA acorta las vías diagnósticas o mejora los resultados de los pacientes.
Palabras claves: Inteligencia artificial , electrocardiografía , hipertensión pulmonar , aprendizaje profundo , precisión diagnóstica
Tema: fenotipo electrocardiograma ecocardiografía inteligencia artificial hipertensión pulmonar heterogeneidad curva roc diagnóstico lado derecho del corazón área bajo la curva roc
* Nazareth KR, Jamileh E, Muhammad F, Farooq O, Sequeira A, Awais A, Antoun I. Diagnostic performance of artificial intelligence-enabled electrocardiography for pulmonary hypertension: a systematic review and meta-analysis. Eur Heart J Digit Health. 2026 Sep 8;7(8):ztag143. doi: 10.1093/ehjdh/ztag143. PMID: 42835693; PMCID: PMC13637041.
