Herramienta de IA predice el riesgo de paro cardíaco extrahospitalario

000 muertes al año en Estados Unidos y una tasa de supervivencia de aproximadamente el 10 %. Los médicos tienen dificultades para identificar a las personas de la población general con mayor riesgo antes de que se produzca el colapso. Pronosticar el riesgo con precisión podría permitir una vigilancia más temprana y una atención preventiva.

Para abordar este desafío, los investigadores han desarrollado modelos de inteligencia artificial (IA) que analizan los historiales clínicos electrónicos y los electrocardiogramas de 12 derivaciones para identificar a las personas con mayor riesgo.

Investigadores de la Facultad de Medicina de la Universidad de Washington (Seattle, WA, EE. UU.) desarrollaron tres modelos de IA para estimar el riesgo futuro de paro cardíaco extrahospitalario. Los modelos se crearon por separado utilizando únicamente datos de electrocardiograma (ECG), datos únicamente de historia clínica electrónica (HCE) que ponderaban 156 características clínicas, y un enfoque combinado de HCE y ECG. Los coautores principales pertenecían al Hospital General de Massachusetts y al Instituto Broad del MIT y Harvard, y los hallazgos se publicaron en JACC: Advances el 12 de mayo de 2026.

El desarrollo y la validación de los modelos utilizaron tres cohortes de pacientes de un gran sistema de salud de EE. UU. La cohorte de entrenamiento incluyó a 993 personas con paro cardíaco extrahospitalario entre 2013 y 2021 y a 5.479 controles emparejados por edad y sexo sin paro. Una cohorte de prueba separada, compuesta por 463 casos de paro entre 2022 y 2023 y 2.979 controles, verificó que las asociaciones de riesgo fueran consistentes con las del entrenamiento. Luego se analizó una cohorte del mundo real de 39.911 personas que recibieron un ECG en 2021 durante los dos años siguientes para evaluar el desempeño en la atención rutinaria.

En la cohorte del mundo real, el modelo combinado HCE-ECG predijo correctamente a 153 de las 228 personas identificadas como de alto riesgo que posteriormente sufrieron un paro cardíaco. Un modelo basado solo en ECG mostró una sólida capacidad predictiva, apenas modestamente inferior a la de los modelos que utilizaban datos de la HCE. El análisis también reveló factores de riesgo que no suelen enfatizarse en la enfermedad cardiovascular, incluidos los trastornos electrolíticos, el consumo de sustancias y las interacciones medicamentosas.

Los autores señalaron limitaciones importantes. Todos los datos provenían de un único sistema de salud, lo que limita su generalización a otras poblaciones. La cohorte del mundo real incluía solo a personas que se sometieron a pruebas de ECG, y las representaciones obtenidas a partir de los ECG podrían reflejar sesgos demográficos y en los patrones de atención. Se necesita más investigación para determinar las acciones clínicas más apropiadas cuando un paciente es identificado como de alto riesgo.

“Utilizando aplicaciones de inteligencia artificial y datos de historiales médicos, es factible predecir un paro cardíaco en la población general”, afirmó el Dr. Neal Chatterjee, investigador principal del estudio y cardiólogo de la Facultad de Medicina de la Universidad de Washington.

“Necesitamos determinar qué estudios de seguimiento debemos realizar para comprender qué hacemos con la información de estos pacientes. ¿Qué pruebas de detección, qué vigilancia, qué intervención se justifica?”, dijo el Dr. Chatterjee.

Enlaces relacionados
Facultad de Medicina de la Universidad de Washington