IA basada en ECG detecta disfunción ventricular izquierda e insuficiencia cardíaca

Ahora, los investigadores han desarrollado modelos de inteligencia artificial basados en electrocardiogramas (ECG) para clasificar estas afecciones, incluidos los subtipos de disfunción ventricular izquierda. Un estudio publicado recientemente informa sobre el rendimiento de los modelos utilizando entradas tanto de 12 derivaciones como de una sola derivación.

Investigadores de la Universidad Wake Forest (Winston-Salem, NC, USA) desarrollaron dos modelos de inteligencia artificial (IA) basados en electrocardiogramas (ECG), uno con entrada de 12 derivaciones y otro con entrada de una sola derivación. Los modelos se diseñaron para clasificar subtipos de disfunción ventricular izquierda y detectar la insuficiencia cardíaca con fracción de eyección preservada, y se evaluaron utilizando conjuntos de datos digitales de ECG a gran escala.

El equipo utilizó casi 1.08 millones de ECG digitales de 165.243 pacientes para desarrollar y validar los modelos. Las pruebas pediátricas externas incluyeron 72.832 ECG de 42.880 pacientes, con un subconjunto de 8.418 ECG pediátricos que comprendía 142 casos y 8.276 controles para una evaluación detallada.

En adultos, el modelo de 12 derivaciones alcanzó áreas bajo la curva de 0.90 para fracción de eyección reducida (FE < 40%), 0.81 para fracción de eyección de rango intermedio y 0.80 para insuficiencia cardíaca con fracción de eyección preservada. El modelo de una sola derivación alcanzó valores correspondientes de 0.89, 0.78 y 0.75. En una cohorte de validación, el modelo de 12 derivaciones registró valores de 0.92, 0.76 y 0.73, mientras que el modelo de una sola derivación alcanzó 0.90, 0.75 y 0.74.

En el conjunto de datos pediátricos, el modelo de 12 derivaciones obtuvo áreas bajo la curva de 0.97 para fracción de eyección reducida, 0.71 para fracción de eyección de rango intermedio y 0.64 para insuficiencia cardíaca con fracción de eyección preservada. El modelo de una sola derivación registró valores correspondientes de 0.94, 0.77 y 0.67. Los análisis pediátricos se realizaron utilizando entradas tanto de 12 derivaciones como de una sola derivación.

Los modelos de aprendizaje automático construidos únicamente a partir de datos clínicos carecían de generalización, y la combinación de variables clínicas con las salidas de la IA del ECG no mejoró significativamente el rendimiento con respecto a los modelos basados solo en ECG. El estudio informó ambos hallazgos durante las comparaciones de los modelos.

El estudio se publicó en línea el 28 de julio de 2026 en el Journal of the American Heart Association. Según el informe, el enfoque detecta con precisión la disfunción ventricular izquierda y la insuficiencia cardíaca con fracción de eyección preservada incluso a partir de ECG de una sola derivación. Los autores señalaron un posible uso en el cribado de bajo costo.

Enlaces relacionados
Universidad Wake Forest