IA predice obstrucciones coronarias específicas desde electrocardiogramas

Un electrocardiograma de doce derivaciones, el mismo que se ha usado en consultorios médicos durante décadas, contiene más información de la que los ojos humanos pueden extraer. Investigadores de la Universidad de Pekín y la Universidad Médica de Tianjin descubrieron que un modelo de inteligencia artificial entrenado con más de diez millones de registros puede leer esos trazos eléctricos y predecir con precisión dónde exactamente se encuentran las obstrucciones en las arterias coronarias de un paciente. El hallazgo, publicado en npj Digital Medicine, representa un cambio potencial en cómo se diagnostica la enfermedad coronaria en lugares donde el acceso a tecnología avanzada es limitado o donde los riesgos de procedimientos invasivos pesan más que los beneficios.

La angiografía por tomografía computarizada es actualmente el estándar de oro para detectar enfermedad coronaria sin cirugía. Pero tiene un precio: requiere equipamiento sofisticado, expone al paciente a radiación, y en personas con riñones débilitados, el contraste inyectado puede causar daño renal. Los investigadores chinos buscaban una alternativa que fuera accesible, segura y capaz de identificar qué pacientes realmente necesitaban esos estudios más invasivos. El electrocardiograma, presente en casi cualquier hospital del mundo, parecía el punto de partida perfecto.

El equipo construyó su modelo usando una técnica llamada aprendizaje por transferencia, partiendo de ECGFounder, un modelo fundacional ya entrenado con millones de registros. Luego lo ajustaron específicamente para detectar estrechamiento significativo en cuatro arterias coronarias principales: la arteria coronaria derecha, la arteria coronaria izquierda principal, la arteria descendente anterior y la arteria circunfleja. El umbral de significancia fue establecido en 70 por ciento de estrechamiento para tres de las arterias, y 50 por ciento para la arteria izquierda principal, que es más crítica. El modelo fue entrenado con 4 mil 620 pares de electrocardiogramas y tomografías de 2 mil 323 pacientes del Hospital de la Gente de la Universidad de Pekín, recolectados entre 2016 y 2023.

La validación externa fue rigurosa. Los investigadores probaron el modelo en 2 mil 477 pares independientes del Segundo Hospital de la Universidad Médica de Tianjin, obtenidos entre 2023 y 2024, y luego lo siguieron durante 800 días en una cohorte adicional de 400 pacientes. Los resultados fueron consistentes: las probabilidades de riesgo que el modelo calculaba aumentaban proporcionalmente conforme la obstrucción era más severa. El equipo estableció umbrales que permitían clasificar a los pacientes en tres grupos: bajo riesgo, riesgo intermedio y alto riesgo. Cuando combinaron esta clasificación con las directrices de probabilidad pretest de la Sociedad Europea de Cardiología, la estrategia conjunta mejoró significativamente la reclasificación de riesgo y redujo la proporción de casos ambiguos que quedaban en la zona gris.

En el seguimiento de 800 días, los pacientes clasificados como alto riesgo por el modelo experimentaron eventos cardiovasculares adversos mayores a una tasa significativamente más alta que los otros grupos. Los pacientes de bajo riesgo tenían una razón de riesgo de 0.15 comparados con el grupo de alto riesgo, mientras que los de riesgo intermedio registraron una razón de 0.29. Ambos resultados fueron estadísticamente significativos, lo que sugiere que el modelo no solo predice obstrucciones, sino que también identifica a los pacientes que realmente corren peligro de sufrir eventos cardiacos.

Los investigadores utilizaron análisis de atribución para entender qué partes del electrocardiograma el modelo estaba usando para hacer sus predicciones. Descubrieron que se enfocaba en regiones específicas del ciclo cardiaco, particularmente alrededor del complejo QRS y las zonas de repolarización adyacentes. Esto es importante porque significa que el modelo no estaba extrayendo patrones aleatorios o ruido de fondo, sino que se basaba en segmentos del electrocardiograma con relevancia fisiológica bien establecida.

Pero los autores fueron honestos sobre las limitaciones. La arteria coronaria izquierda principal fue mucho menos común en las cohortes estudiadas, lo que introduce un desbalance de clases y obliga a interpretar con cautela los resultados para ese vaso específico. El estudio excluyó a pacientes que ya habían sufrido infartos con elevación del segmento ST y a quienes ya habían sido sometidos a intervención coronaria percutánea o cirugía de revascularización, por lo que el modelo no ha sido probado en esos escenarios clínicos. Además, todos los pacientes estudiados ya habían sido referidos para angiografía por tomografía computarizada, lo que significa que tenían una probabilidad pretest de enfermedad coronaria más alta que la que se encontraría en una consulta de atención primaria o en una sala de urgencias.

Los investigadores reconocen que el modelo requiere validación prospectiva antes de poder aplicarse en poblaciones con menor prevalencia de enfermedad coronaria. Ya se encuentra en diseño un ensayo clínico aleatorizado y prospectivo para evaluar el impacto real de esta estrategia de estratificación de riesgo guiada por inteligencia artificial sobre las decisiones diagnósticas y los desenlaces clínicos en entornos reales. Si ese ensayo confirma los hallazgos, un electrocardiograma podría convertirse en la primera línea de evaluación para millones de pacientes en riesgo de enfermedad coronaria, especialmente en regiones donde el acceso a tecnología avanzada es limitado.