Un modelo de ECG con aprendizaje profundo para identificar y localizar el infarto por oclusión

Por qué esto importa en los infartos

Cuando alguien sufre un infarto, cada minuto sin tratamiento puede matar tejido cardíaco. Los médicos suelen basarse en un trazado rápido del corazón llamado ECG y en análisis de sangre para decidir quién necesita un traslado urgente a la sala de intervenciones. Pero estas herramientas con frecuencia pasan por alto obstrucciones peligrosas o señalan a personas que en realidad no precisan un procedimiento de emergencia. Este estudio muestra cómo la inteligencia artificial puede leer ECG para detectar e incluso localizar obstrucciones graves con mayor precisión, lo que podría ayudar a llevar a los pacientes adecuados a un tratamiento que salva vidas más rápido.

Buscando tuberías bloqueadas en el corazón

No todos los infartos son iguales. Algunos se deben a una arteria coronaria totalmente o casi totalmente obstruida, una situación que los autores denominan infarto por oclusión. Estos son los pacientes que con más urgencia necesitan un procedimiento para reabrir la arteria. El problema es que la guía estándar se centra en un patrón llamado elevación del segmento ST en el ECG, que aparece solo en una fracción de estos casos peligrosos y puede deberse a otras condiciones. Como resultado, algunos pacientes quedan sin diagnosticar mientras otros se someten a procedimientos invasivos innecesarios. Los investigadores se propusieron construir un modelo informático que pudiera analizar la señal ECG cruda y reconocer tanto la presencia de una obstrucción aguda como cuál de las arterias cardíacas principales está implicada.

Entrenar un modelo con cientos de miles de ECG

El equipo utilizó datos del Swedish Emergency Department Database, que vincula visitas de urgencia, registros de ECG y resultados detallados de procedimientos de cateterismo cardíaco. Reunieron más de 540.000 ECG de unos 226.000 pacientes adultos que acudieron a servicios de urgencias en la región de Estocolmo entre 2005 y 2016. Para cada caso de infarto, los médicos que realizaron la angiografía ya habían determinado si había una obstrucción completa reciente y qué vaso principal era el responsable. Usando estos hallazgos procedentes de los procedimientos como verdad de referencia, los investigadores entrenaron un modelo de aprendizaje profundo, un tipo de red neuronal capaz de reconocer patrones complejos en señales, para clasificar ECG en múltiples categorías, incluyendo infartos por oclusión frente a no oclusión y el vaso culpable específico.

Qué tan bien detecta el modelo el peligro

En datos de prueba suecos retenidos, el modelo mostró una capacidad muy sólida para distinguir obstrucciones agudas de otros pacientes. Su medida de rendimiento, la estadística C, alcanzó al menos 0,95 para detectar infartos por oclusión y al menos 0,87 para infartos sin oclusión. Con una baja tasa de falsas alarmas del 5 por ciento, el modelo identificó correctamente alrededor del 87 por ciento de los casos de oclusión. También funcionó bien para distinguir cuál de las tres arterias cardíacas principales estaba bloqueada, aunque la separación de dos localizaciones arteriales concretas, que resultan difíciles incluso para expertos humanos, siguió siendo un desafío. En distintos grupos por edad, sexo, tipos de equipo de ECG y años del estudio, el rendimiento se mantuvo en términos generales similar, con algo mejor precisión en pacientes más jóvenes y en aquellos sin ciertos problemas crónicos de conducción cardíaca.

Probar el modelo en otros países

Para ver si la herramienta se sostenía fuera de Suecia, los autores la probaron en tres colecciones adicionales de ECG de Europa y Brasil. En una cohorte brasileña de urgencias con etiquetas basadas en angiografía, el modelo siguió separando bien los infartos por oclusión de los controles, especialmente en los casos que sí mostraban la clásica elevación del ST. En dos grandes bases de datos donde solo estaban disponibles etiquetas más generales, como infarto con elevación del ST y un bloqueo de conducción común, el modelo también tuvo un rendimiento destacado. De hecho, al predecir infartos con elevación del ST en uno de esos conjuntos, el modelo sueco superó a otro modelo que se había entrenado directamente con esas etiquetas asignadas localmente por humanos, lo que sugiere que entrenar con resultados objetivos de cateterismo puede dar al sistema una comprensión más profunda de la enfermedad subyacente.

Qué podría significar esto para los pacientes

Este trabajo muestra que un modelo informático puede usar ECG ordinarios, más información básica como edad y sexo, para identificar rápidamente qué pacientes probablemente tienen una arteria cardíaca recién bloqueada y dónde se localiza esa obstrucción. Dado que el método no depende de análisis de sangre ni de que los médicos coincidan en patrones ECG sutiles, podría acortar el tiempo desde el primer contacto médico hasta la reapertura de la arteria y reducir procedimientos de emergencia innecesarios. Los autores subrayan que su herramienta aún necesita evaluarse en ensayos clínicos que monitoricen los resultados de los pacientes antes de emplearse en la práctica rutinaria, pero apunta a un futuro en el que el análisis inteligente del ECG ayuda a que las personas adecuadas lleguen al laboratorio de hemodinámica en el momento oportuno.

Cita: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Palabras clave: electrocardiograma, aprendizaje profundo, infarto de miocardio, oclusión coronaria, IA médica