La IA de Yale para enfermedades cardíacas estructurales encuentra un nuevo papel de cribado para los ECG portátiles

Investigadores de Yale probaron un modelo de IA para enfermedades cardíacas estructurales en 597 pacientes y hallaron un resultado prometedor con una limitación importante. Un registro de 30 segundos obtenido con un electrocardiograma portátil de una sola derivación ayudó a identificar enfermedades graves con una sensibilidad del 86,7 %. Sin embargo, la mayoría de los resultados positivos no correspondía a casos confirmados de enfermedad cardíaca estructural grave.

Esa tensión define el valor práctico de la tecnología. El sistema no sustituye en formato de bolsillo a un ecocardiograma, que utiliza ultrasonido para examinar la estructura y el funcionamiento del corazón. Es una posible capa de triaje que determina quién debería recibir ese examen más intensivo en recursos.

Los hallazgos proceden del estudio ACCESS-SHD, una evaluación prospectiva realizada en Yale New Haven Hospital. El preprint del estudio se publicó en septiembre de 2026 y aún no ha completado la revisión por pares. Por tanto, su afirmación más sólida es más limitada que el diagnóstico automatizado: el análisis portátil con IA podría hacer más eficiente la obtención selectiva de imágenes cardíacas.

Esta distinción importa a medida que la IA médica pasa de las bases de datos retrospectivas a los flujos de trabajo clínicos reales. Un modelo puede tener un buen rendimiento estadístico y, aun así, producir numerosas alertas que requieren revisión experta. Para hospitales, profesionales clínicos y desarrolladores de dispositivos, la siguiente pregunta no es si el algoritmo puede detectar una señal. Es si actuar sobre esa señal mejora la atención sin crear una carga de pruebas inmanejable.

Qué detectó realmente la IA de Yale para enfermedades cardíacas estructurales

El modelo convirtió un ECG portátil rutinario en una señal de cribado para anomalías estructurales graves, no en un diagnóstico final.

La enfermedad cardíaca estructural se refiere a anomalías que afectan al músculo cardíaco, las cavidades o las válvulas. Estas afecciones difieren de los trastornos del ritmo, aunque ambas pueden dejar patrones en la actividad eléctrica del corazón.

El estudio de Yale se centró en una categoría compuesta de enfermedad cardíaca estructural grave. Incluía disfunción sistólica del ventrículo izquierdo, enfermedad grave de las válvulas izquierdas e hipertrofia grave del ventrículo izquierdo. Estas afecciones afectan a la eficacia con la que el corazón bombea sangre o a la forma en que la sangre circula a través de él.

Los investigadores reclutaron a adultos sometidos a ecocardiografía transtorácica ambulatoria en Yale New Haven Hospital entre junio de 2024 y enero de 2025. El ecocardiograma ya se había solicitado como parte de la atención habitual de cada participante.

Durante la visita, cada participante registró un ECG de una sola derivación de 30 segundos mediante un dispositivo AliveCor KardiaMobile 6L. Aunque ese producto puede capturar varias derivaciones, el estudio evaluó la información de una sola. La forma de onda resultante fue procesada en tiempo real por un modelo de aprendizaje profundo adaptado al ruido.

Después, los investigadores compararon el resultado de la IA con el ecocardiograma. Este diseño proporcionó al equipo una referencia de imagen reconocida para determinar si existía enfermedad estructural grave.

Entre los 597 participantes, 30 presentaban enfermedad cardíaca estructural grave. Esto representaba el 5,1 % del grupo de estudio. Los participantes tenían una edad mediana de 61,7 años y el 51,4 % eran mujeres.

El modelo de IA alcanzó un área bajo la curva característica operativa del receptor, o AUROC, de 0,872. El AUROC mide la capacidad de un modelo para distinguir, con distintos umbrales de clasificación, a las personas con una afección de quienes no la tienen. Un valor de 1 representa una discriminación perfecta, mientras que 0,5 se asemeja a una clasificación aleatoria.

En el umbral seleccionado para el estudio, la sensibilidad fue del 86,7 % y la especificidad del 72,5 %. La sensibilidad describe con qué frecuencia el sistema identificó a participantes que tenían enfermedad grave. La especificidad describe con qué frecuencia clasificó correctamente a los participantes que no la tenían.

Estas cifras hacen que el modelo sea más adecuado para el triaje que para la confirmación. Un sistema de cribado debería pasar por alto la menor cantidad posible de casos graves. Sin embargo, también necesita una vía de seguimiento para las personas identificadas erróneamente.

El valor predictivo negativo del 99 % del modelo fue especialmente destacable. Dentro de esta población de estudio, un resultado negativo se asoció fuertemente con la ausencia de enfermedad estructural grave. Esto no significa que la herramienta pueda descartar con seguridad la enfermedad en todas las poblaciones, porque los valores predictivos cambian según la prevalencia.

Su valor predictivo positivo fue de solo el 14,4 %. En términos prácticos, la mayoría de los participantes con un resultado positivo de IA no tenían enfermedad cardíaca estructural grave según la definición del estudio. Por tanto, un resultado positivo seguía siendo un motivo para investigar, no un diagnóstico.

Por qué importa ahora el cribado cardíaco con ECG portátiles

La oportunidad surge de añadir un nuevo análisis a equipos más baratos y fáciles de desplegar que las imágenes cardíacas.

Un ECG estándar mide las señales eléctricas generadas por el corazón. Los profesionales clínicos lo utilizan habitualmente para identificar problemas de ritmo, anomalías de conducción y signos asociados a otras afecciones cardiovasculares.

Un ecocardiograma responde a preguntas diferentes. Utiliza ultrasonido para mostrar las cavidades cardíacas, las válvulas, el grosor de las paredes y la función de bombeo. Por lo general, requiere más equipamiento, personal capacitado para la adquisición y una interpretación experta.

La enfermedad estructural puede pasar desapercibida antes de que los síntomas sean evidentes. Algunos pacientes reciben atención solo después de que la afección haya progresado o causado complicaciones. El cribado generalizado mediante ecocardiografía es difícil porque obtener imágenes de todas las personas potencialmente en riesgo consumiría una capacidad clínica considerable.

El cribado cardíaco con ECG portátiles ofrece otra vía. Puede recogerse un registro breve en una clínica, un centro comunitario u otro entorno con acceso limitado a imágenes. Después, un algoritmo puede estimar si el paciente debería recibir pruebas confirmatorias.

Este enfoque depende de una premisa biológica sutil. Las anomalías estructurales pueden alterar los patrones eléctricos registrados en la superficie corporal, incluso cuando dichos patrones no son evidentes para un lector humano. El aprendizaje profundo puede buscar combinaciones de características de la forma de onda asociadas a etiquetas de enfermedad.

El modelo ACCESS-SHD se adaptó al ruido presente en las señales portátiles. Esta es una elección técnica importante porque los registros obtenidos con dispositivos vestibles y portátiles difieren de los ECG clínicos adquiridos cuidadosamente. El movimiento, el contacto variable y las diferencias entre dispositivos pueden afectar a la forma de onda.

El estudio también comparó el análisis de IA con la interpretación nativa del dispositivo portátil. Esa lectura integrada aborda principalmente información sobre el ritmo. No fue diseñada para detectar el conjunto de trastornos musculares y valvulares evaluado en el estudio.

El sistema de IA aumentó la sensibilidad en 34,6 puntos porcentuales respecto de esa interpretación nativa. Entre los trazados etiquetados como normales por el dispositivo, el modelo mantuvo una sensibilidad del 76,9 % y una especificidad del 80 %.

Esta comparación ilustra el cambio propuesto. El hardware ya registra una señal eléctrica, pero la IA asigna a esa señal una finalidad clínica adicional. En lugar de preguntar únicamente si el ritmo parece anormal, el flujo de trabajo también pregunta si la forma de onda contiene evidencia asociada a enfermedad estructural.

El estudio ID-SHD de Yale se diseñó en torno a esta idea más amplia. Evalúa el análisis con IA de ECG obtenidos mediante dispositivos portátiles y relojes inteligentes, utilizando la ecocardiografía como prueba de referencia.

Esta vía difiere de reemplazar a los especialistas. El dispositivo portátil recoge una señal de baja carga, el modelo clasifica el riesgo y los profesionales clínicos deciden si está justificada la obtención de imágenes. El valor procede de dirigir recursos diagnósticos limitados, no de eliminarlos.

El cribado con ECG e IA compite con las imágenes universales

La cuestión central es el triaje dirigido frente a obtener imágenes de todas las personas que podrían tener una anomalía cardíaca no detectada.

La ecocardiografía sigue siendo la herramienta decisiva en este flujo de trabajo porque muestra las estructuras que el modelo de ECG solo infiere. El modelo de IA no observa directamente una válvula dañada, una pared ventricular engrosada ni un movimiento reducido del músculo cardíaco.

Esto crea una disyuntiva. Obtener imágenes de más personas puede revelar más enfermedades, pero también requiere equipos, programación, personal cualificado y tiempo de interpretación. Examinar a menos personas reduce esa carga, pero conlleva el riesgo de pasar por alto a pacientes cuya enfermedad produce señales eléctricas débiles o atípicas.

La IA de Yale para enfermedades cardíacas estructurales intenta mejorar la etapa de selección. Los investigadores calcularon que la atención habitual requeriría evaluar a 19,7 personas para identificar un caso en la población de estudio. Una estrategia guiada por IA redujo ese número necesario para evaluar a 6,9.

Según el preprint, esto supuso una reducción del 64,8 %. El cálculo sugiere un grupo de derivación más concentrado, pero no documenta mejores resultados para los pacientes. Modela la eficiencia del cribado a partir del valor predictivo positivo observado.

La diferencia entre la eficiencia y la evidencia sobre resultados es esencial. Un hospital podría solicitar menos ecocardiogramas por cada caso detectado y, aun así, afrontar nuevos costes en otras áreas. El personal debe explicar las alertas, organizar el seguimiento, gestionar resultados no concluyentes y supervisar a los pacientes que no completan las pruebas de imagen.

Los falsos positivos también tienen consecuencias. Pueden generar ansiedad y consultas adicionales. Según la vía de derivación, podrían desplazar el trabajo en lugar de reducirlo.

Los falsos negativos plantean el riesgo clínico más grave. La sensibilidad comunicada significa que el modelo no identificó a todos los participantes con enfermedad grave. Ningún programa de cribado puede tratar un resultado algorítmico negativo como sustituto del juicio clínico cuando los síntomas o los hallazgos de la exploración siguen siendo preocupantes.

La población del estudio añade otra limitación. Los participantes ya tenían programada una ecocardiografía ambulatoria, por lo que no eran una muestra aleatoria de la población general. Es probable que su riesgo subyacente y sus características clínicas difieran de los de las personas atendidas en farmacias, lugares de trabajo o programas amplios de cribado comunitario.

Esto importa porque los valores predictivos positivo y negativo dependen de la prevalencia de la enfermedad. En una población de menor riesgo, el mismo modelo podría generar una proporción menor de verdaderos positivos entre todas las alertas positivas.

Los investigadores informaron de un rendimiento comparable en los subgrupos examinados. Aun así, un total de 30 casos graves limita la precisión con la que puede estimarse el rendimiento en grupos demográficos o clínicos más específicos. El intervalo de confianza de la sensibilidad osciló entre el 70,3 % y el 94,7 %.

Por tanto, el modelo no deja fuera del proceso ni a los cardiólogos ni a los laboratorios de ecocardiografía. En cambio, presiona a los sistemas de salud para reconsiderar quién accede a esos servicios y cómo se priorizan las derivaciones.

Una implementación exitosa haría más accesible la confirmación para los pacientes que de otro modo permanecerían sin diagnóstico. Una fallida produciría una cola de alertas algorítmicas sin suficiente capacidad de imagen, contexto clínico o seguimiento.

La mejor cifra del modelo también es fácil de malinterpretar

Un valor predictivo negativo del 99 % parece definitivo, pero refleja la población de este estudio y no puede establecer una seguridad universal.

El valor predictivo negativo responde a una pregunta específica: entre las personas que reciben un resultado negativo, ¿qué proporción no tenía la afección objetivo? Cambia cuando la afección se vuelve más o menos frecuente en el grupo evaluado.

Dado que solo 30 participantes tenían enfermedad cardíaca estructural grave, la mayoría de las personas de la cohorte no la tenía. Esa baja prevalencia contribuye a un valor predictivo negativo elevado. La cifra sigue siendo útil, pero no puede trasladarse sin cambios a todas las clínicas.

El valor predictivo positivo expone la otra cara de la misma ecuación. Con un 14,4 %, el resultado significa que menos de una de cada seis alertas positivas correspondía a enfermedad grave según la definición del estudio.

Eso no hace que el modelo sea ineficaz. Las pruebas de cribado suelen priorizar la sensibilidad y aceptar falsos positivos porque las pruebas confirmatorias resuelven la duda. Sin embargo, el sistema posterior debe diseñarse teniendo en cuenta esa realidad.

El resultado también depende de cómo se eligió el umbral. Reducir un umbral de clasificación suele detectar más casos, pero también señala a más personas sin enfermedad. Elevarlo reduce las falsas alarmas, pero puede dejar pasar más casos.

Los sistemas sanitarios pueden elegir umbrales diferentes según su población, la capacidad de imagen disponible y su tolerancia a no detectar enfermedad. Un umbral adecuado para una clínica de cardiología quizá no encaje en atención primaria o en el cribado comunitario.

El resultado compuesto del modelo introduce otro criterio de juicio. Agrupar varias afecciones estructurales crea un objetivo más amplio que desarrollar un detector para cada enfermedad. Esto puede mejorar la eficiencia del cribado porque cada resultado positivo conduce al mismo siguiente paso, normalmente una ecocardiografía.

Sin embargo, el resultado compuesto también oculta variaciones. La disfunción sistólica del ventrículo izquierdo, la enfermedad valvular grave y la hipertrofia grave tienen causas, tratamientos y grados de urgencia distintos. Una única puntuación de riesgo no indica al clínico qué afección está presente.

Esa ambigüedad refuerza el papel de la imagen. La señal de enfermedad cardíaca estructural detectada por el ECG con IA puede priorizar a un paciente, pero el ecocardiograma define la anatomía y orienta la siguiente decisión clínica.

El estado de preprint añade otro motivo para la cautela. El manuscrito se ha publicado públicamente, lo que permite a los investigadores revisar sus métodos y resultados, pero aún no ha completado la revisión por pares de una revista. Revisiones posteriores podrían aclarar análisis, modificar detalles comunicados o acotar las conclusiones de los autores.

La replicación independiente será más importante que otra estimación de rendimiento de la misma institución. Los investigadores de Yale desarrollaron el enfoque y lo evaluaron en Yale New Haven Hospital. Las pruebas externas deben determinar hasta qué punto se transfiere entre sistemas sanitarios, dispositivos, prácticas de adquisición y grupos de pacientes.

El diseño prospectivo del estudio es más sólido que un análisis de base de datos puramente retrospectivo. Los investigadores registraron ECG portátiles durante visitas reales de pacientes y ejecutaron inferencia en tiempo real. Sin embargo, la recopilación prospectiva de datos no equivale a un ensayo clínico aleatorizado de una vía asistencial dirigida por IA.

El modelo no decidió tratamientos. El estudio tampoco demostró que el cribado redujera hospitalizaciones, insuficiencia cardíaca, ictus o mortalidad. Evaluó la detección frente a hallazgos ecocardiográficos.

Estos límites deberían orientar cualquier interpretación. La investigación respalda una hipótesis de cribado y proporciona validación prospectiva. Aún no establece un estándar de atención.

Los resultados con Apple Watch refuerzan el mecanismo, no la afirmación clínica

Un estudio relacionado de Yale sugiere que la señal se mantiene en dispositivos de consumo, pero ambos estudios siguen sin llegar a evaluar resultados en el mundo real.

El mismo programa de investigación evaluó un modelo adaptado al ruido utilizando registros de una sola derivación de Apple Watch. El estudio WATCH-SHD incluyó a 596 participantes con registros analizables en el laboratorio de ecocardiografía de Yale New Haven Hospital.

Ese estudio informó de enfermedad estructural grave en 30 participantes, que de nuevo representaban el 5,1 % de la cohorte. El modelo alcanzó un AUROC de 0,841, con una sensibilidad del 76,7 % y una especificidad del 83,2 %.

Su valor predictivo positivo fue del 19,7 %, mientras que su valor predictivo negativo fue del 98,5 %. El análisis de Apple Watch también estimó que una selección guiada por IA podría reducir en más de un 60 % el número de pruebas confirmatorias necesarias por cada caso identificado.

En conjunto, los estudios sugieren que la señal subyacente no está limitada a un único dispositivo portátil. Ambos utilizaron un registro de una sola derivación de 30 segundos y compararon las predicciones de IA con ecocardiogramas indicados clínicamente.

La evidencia entre dispositivos respalda el mecanismo técnico. La enfermedad estructural parece dejar firmas eléctricas que un modelo adaptado al ruido puede detectar en datos con calidad de dispositivos wearables.

Aún no demuestra que los consumidores deban realizarse cribados por sí mismos. Los participantes registraron sus ECG dentro de un flujo de trabajo de investigación controlado durante una visita de ecocardiografía. La transmisión de datos, la inferencia del modelo y las pruebas de referencia tuvieron lugar en un entorno clínico.

Los registros no supervisados introducen variables adicionales. Las personas pueden colocar un dispositivo de forma incorrecta, registrar durante el movimiento o recopilar datos cuando los síntomas cambian temporalmente. Los dispositivos también difieren en hardware, filtros, muestreo y procesamiento de señal.

Un programa de cribado necesita reglas para trazados técnicamente inadecuados. También necesita una respuesta clara cuando un modelo señala un riesgo en alguien sin síntomas o sin un clínico habitual.

La regulación presenta otra frontera. Un algoritmo que analiza datos de ECG para detectar enfermedades puede funcionar como software de dispositivo médico. El despliegue clínico exige evidencia y controles que van más allá de poner un modelo de investigación a disposición del público.

El equipo de Yale ya había ampliado la IA cardíaca hacia una interpretación de imágenes más integral. Su sistema PanEcho analiza múltiples vistas de ecografía y realiza 39 tareas de interpretación. El estudio PanEcho, revisado por pares, informó de validación interna y externa en estudios ecocardiográficos completos y limitados.

PanEcho y ACCESS-SHD ocupan puntos distintos dentro de la misma cadena. El modelo de ECG portátil identifica quién podría necesitar imagen. Después, un modelo de ecocardiografía puede ayudar con las mediciones y la interpretación una vez adquiridas las imágenes.

Esta combinación apunta a un flujo de trabajo cardiovascular más automatizado, pero cada etapa introduce sus propios errores. Vincular modelos no hace desaparecer la incertidumbre. Un falso negativo inicial puede impedir la realización de imágenes, mientras que un error de interpretación posterior puede distorsionar la confirmación.

Por tanto, la supervisión humana sigue siendo un requisito del sistema, no una concesión temporal. Los clínicos deben conectar los resultados del modelo con síntomas, historial médico, hallazgos de la exploración física y otras pruebas.

Qué debe ocurrir antes de que el cribado portátil con IA se generalice

Tres señales determinarán si el resultado de Yale se convierte en una vía de cribado clínico o sigue siendo una prometedora referencia de investigación.

La primera señal es la validación independiente y multicéntrica. Investigadores ajenos al entorno de desarrollo original deben probar el modelo en distintos dispositivos de ECG portátiles y poblaciones más diversas.

Un estudio externo convincente debería conservar el flujo de trabajo prospectivo. Debería informar de fallos técnicos, rendimiento por subgrupos, calibración, sensibilidad, especificidad y valores predictivos. También debería documentar con qué frecuencia los pacientes con resultados positivos completan la ecocardiografía.

Una replicación con una discriminación similar reforzaría la afirmación de que el modelo capta una señal fisiológica generalizable. Una caída sustancial del rendimiento sugeriría una mayor dependencia de los datos, dispositivos o selección clínica locales.

La segunda señal es un ensayo de utilidad clínica. Ese estudio debe comparar una vía guiada por IA con la práctica de derivación existente y medir qué cambia tras introducir el algoritmo.

La detección por sí sola no basta. Los investigadores deberían examinar el tiempo hasta la ecocardiografía, los diagnósticos confirmados, las derivaciones a especialistas, los cambios de tratamiento, la ansiedad de los pacientes, los casos no detectados y la carga de trabajo clínico total.

Un estudio de implementación aleatorizado o cuidadosamente controlado revelaría si el modelo mejora el acceso sin sobrecargar los servicios de imagen. También mostraría si la detección temprana ocurre con suficiente antelación como para modificar la atención.

La tercera señal es una vía regulatoria y operativa definida. Un producto desplegable necesita un etiquetado claro, controles de calidad, monitorización y responsabilidades de seguimiento.

Los sistemas sanitarios deben decidir dónde encaja el cribado. Las clínicas de atención primaria, las farmacias, los eventos comunitarios y las consultas de cardiología atienden a poblaciones diferentes y tienen distinto acceso a la confirmación.

También deben decidir quién recibe una alerta. Enviarla directamente a un consumidor crea riesgos diferentes a dirigirla a un clínico. Un resultado positivo necesita un lenguaje que explique la incertidumbre sin minimizar una posible enfermedad.

Será necesaria una monitorización continua del rendimiento después del despliegue. Las poblaciones de pacientes cambian, el software de los dispositivos cambia y las prácticas de registro varían. Un modelo puede desviarse incluso cuando su validación original fue sólida.

El estudio de IA de Yale sobre enfermedad cardíaca estructural lleva el campo más allá de una afirmación retrospectiva. Los investigadores recopilaron prospectivamente ECG portátiles, realizaron análisis en tiempo real y compararon los resultados con ecocardiografía.

Sus limitaciones son igual de informativas. Solo 30 participantes tenían la afección objetivo, el valor predictivo positivo siguió siendo bajo y el estudio no evaluó mejores resultados de salud. Además, el manuscrito sigue siendo un preprint.

Para los clínicos, la interpretación adecuada es un interés prudente. El modelo puede ayudar a decidir quién recibe estudios de imagen, especialmente donde el acceso a la ecocardiografía es limitado. No debería prevalecer sobre los síntomas, los hallazgos de la exploración o una razón ya existente para realizar pruebas cardíacas.

Para los sistemas sanitarios, la cuestión clave es operativa. ¿Puede un programa de ECG portátil con IA detectar enfermedades pasadas por alto mientras mantiene el seguimiento manejable y equitativo?

Para los desarrolladores de dispositivos, el estudio establece un listón de evidencia más alto. La precisión retrospectiva ya no es la única referencia. Ahora importan los registros reales, los pacientes prospectivos, la variación entre dispositivos y las vías de derivación completadas.

El cribado portátil con ECG solo se ganará un papel clínico si esas tres señales se alinean: replicación independiente, beneficio demostrado para los pacientes y un sistema de seguimiento seguro. Hasta entonces, el modelo de Yale se entiende mejor como un prometedor filtro para la ecocardiografía, no como un diagnóstico en el bolsillo de un paciente.