IA en el ECG: cómo estimar la fracción de eyección del VI

La inteligencia artificial aplicada al ECG (IA-ECG) abrió una nueva posibilidad clínica: estimar la probabilidad de una fracción de eyección del ventrículo izquierdo (FEVI) reducida a partir de un estudio que, tradicionalmente, nunca midió la función sistólica.

El ECG convencional no calcula la fracción de eyección. Registra actividad eléctrica. Sin embargo, el remodelado ventricular, la fibrosis, las alteraciones de la conducción y la heterogeneidad de la repolarización dejan firmas eléctricas difusas. Los modelos de deep learning logran captar estas firmas de forma integrada e identifican patrones que escapan a la interpretación humana tradicional.

El cambio conceptual es importante: no estamos convirtiendo el ECG en un ecocardiograma, sino utilizando aprendizaje estadístico avanzado para estimar la probabilidad de disfunción sistólica.

Cómo logra la IA inferir la fracción de eyección a partir del ECG

Los modelos de IA-ECG utilizan, en general, redes neuronales convolucionales entrenadas con miles o millones de pares ECG-ecocardiograma. Durante el entrenamiento, el algoritmo aprende a relacionar patrones eléctricos complejos con la presencia o ausencia de FE reducida.

A diferencia del análisis clásico basado en criterios aislados, el modelo no busca solo QRS ancho, bloqueo de rama izquierda o bajo voltaje. Analiza el trazado bruto como una señal continua, que incluye:

Morfología completa de las 12 derivaciones
Relaciones temporales sutiles entre ondas y segmentos
Microvariaciones en la repolarización
Distribución espacial de los vectores eléctricos
Patrones globales compatibles con remodelado ventricular

La salida del algoritmo no es un valor numérico de FE. Lo que se obtiene es una probabilidad de disfunción sistólica (por ejemplo, FE < 40% o ≤ 35%, según el umbral adoptado en el estudio).

Por lo tanto, la IA-ECG no reemplaza al ecocardiograma. Actúa como herramienta de cribado probabilístico, capaz de señalar a los pacientes con mayor probabilidad de presentar disfunción ventricular izquierda.

Evidencia clínica: más allá del estudio pionero

El estudio pionero de Attia et al. demostró que una red neuronal aplicada al ECG de 12 derivaciones era capaz de detectar FE ≤ 35% con un excelente desempeño diagnóstico.

Principales resultados del estudio original:

Área bajo la curva (AUC) ~0,93
Sensibilidad ~86%
Especificidad ~85%

Estas cifras situaron a la IA-ECG en un nivel comparable al de muchas pruebas diagnósticas utilizadas en la práctica clínica.

Tras esa publicación inicial, diversas investigaciones ampliaron y refinaron el concepto:

Validaciones externas en poblaciones distintas, con AUC entre 0,85 y 0,95.
Estudios prospectivos que demostraron la capacidad de la IA-ECG para identificar disfunción ventricular asintomática antes del diagnóstico clínico formal de insuficiencia cardíaca.
Aplicaciones en entornos ambulatorios y atención primaria, con desempeño preservado incluso cuando el ECG se consideraba “normal” en la interpretación convencional.

Además de la precisión diagnóstica, análisis posteriores mostraron que la puntuación continua generada por el algoritmo puede tener valor pronóstico adicional, asociándose con hospitalización por insuficiencia cardíaca y mortalidad cardiovascular.

Estos hallazgos sugieren que la IA-ECG no solo detecta una FE reducida ya establecida, sino que puede funcionar como un marcador eléctrico precoz de remodelado ventricular.

Aplicaciones clínicas potenciales

Desde el punto de vista asistencial, el papel principal de la IA-ECG es ampliar la capacidad de cribado. En escenarios con gran volumen de pacientes y acceso limitado a métodos de imagen, esta herramienta puede ayudar a priorizar a quienes realmente necesitan un ecocardiograma.

Entre las posibles aplicaciones se incluyen:

Cribado oportunista en pacientes ambulatorios a quienes se les realiza un ECG por cualquier motivo
Identificación precoz de disfunción ventricular asintomática
Selección de pacientes para ecocardiograma prioritario
Rastreo poblacional en regiones con acceso restringido a la imagen cardíaca

Los estudios sugieren que el uso seriado de la IA-ECG puede detectar un aumento progresivo del riesgo antes de la manifestación clínica evidente de insuficiencia cardíaca. Esto abre espacio para estrategias de intervención más tempranas.

PMcardio y la traducción comercial de la IA-ECG

Entre las plataformas comerciales que incorporan inteligencia artificial al electrocardiograma, PMcardio es uno de los ejemplos más conocidos en Europa. Desarrollado por Powerful Medical, utiliza algoritmos propietarios de deep learning aplicados al ECG de 12 derivaciones, incluido un módulo orientado a estimar la probabilidad de fracción de eyección reducida (LVsense™).

La propuesta es llevar el concepto académico de la IA-ECG al punto de atención y generar en segundos una alerta de riesgo de disfunción sistólica. Los datos divulgados por la empresa informan una AUC superior a 0,90 para la detección de FE reducida, aunque parte de esa información proviene de informes técnicos y estudios patrocinados.

La plataforma cuenta con certificación CE como dispositivo médico en determinadas jurisdicciones, lo que indica conformidad regulatoria, pero no sustituye la validación clínica independiente ni la evaluación del desempeño en la población local.

El principal impacto de estas soluciones no reside solo en la precisión del algoritmo, sino en su integración al flujo asistencial: la IA-ECG puede funcionar como disparador para solicitar un ecocardiograma o una estratificación adicional del riesgo. Su incorporación racional exige un análisis crítico del desempeño, de la prevalencia local de la enfermedad y del impacto potencial de los falsos positivos.

Limitaciones técnicas y desafíos

A pesar del desempeño sólido en los estudios iniciales, la IA-ECG presenta limitaciones relevantes.

Generalización: los modelos entrenados en centros terciarios pueden tener un desempeño inferior en poblaciones con características distintas.
Sesgo de la base de datos: una prevalencia elevada de FE reducida en la cohorte de entrenamiento puede sobrestimar el desempeño cuando se aplica a poblaciones de bajo riesgo.
Interpretabilidad: muchos modelos funcionan como una “caja negra”, lo que dificulta la comprensión mecanística del resultado.
Dependencia de la confirmación por imagen: el diagnóstico definitivo de fracción de eyección reducida sigue realizándose mediante ecocardiograma u otros métodos de imagen.

Por lo tanto, la IA-ECG debe entenderse como una herramienta de apoyo a la decisión y no como sustituto del método de referencia.

Conclusión

La inteligencia artificial aplicada al ECG representa un cambio conceptual relevante: utilizar un estudio eléctrico simple para inferir la probabilidad de disfunción sistólica del ventrículo izquierdo.

La IA-ECG logra estimar el riesgo de FE reducida con un desempeño consistente en múltiples estudios y validaciones externas. Su mayor valor está en el cribado y la detección precoz, especialmente en contextos donde el ecocardiograma no está disponible de inmediato.

El ecocardiograma sigue siendo el estándar para medir la fracción de eyección. En este escenario, la IA amplía la capacidad clínica de sospechar antes y derivar mejor.