Enfoques potenciados por IA para el tratamiento cardíaco personalizado: hallazgos a partir de datos de ECG

Por qué importan pruebas cardíacas más inteligentes

Cuando los médicos recetan fármacos que afectan al corazón, dependen del electrocardiograma, o ECG, para asegurarse de que el tratamiento es seguro. Pero muchos medicamentos dejan solo huellas sutiles en el latido que pueden ser difíciles de detectar a simple vista. Este estudio explora cómo la inteligencia artificial puede leer los trazados del ECG con mayor precisión, ayudando a los médicos a identificar qué fármaco o combinación de fármacos está afectando al corazón y abriendo la puerta a una atención cardíaca más personalizada y segura.

Buscando efectos ocultos de fármacos en los latidos

Los investigadores se centraron en un problema de seguridad de larga data: algunos fármacos pueden alterar el ritmo eléctrico del corazón y aumentar el riesgo de latidos irregulares peligrosos. Tradicionalmente, los médicos vigilan una medida principal del ECG, el intervalo QT, pero este único indicador a menudo pasa por alto detalles importantes. Diferentes fármacos, y combinaciones de ellos, pueden modificar varias partes del latido de formas complejas. El equipo se preguntó si los modelos informáticos podían aprender estos patrones a partir de los datos y clasificar de forma fiable los ECG según el tratamiento que los produjo.

Construyendo una imagen rica a partir de señales de ECG

Para abordar esto, el estudio utilizó una base de datos pública procedente de un ensayo controlado con 22 voluntarios sanos. Cada persona recibió varios regímenes de fármacos, incluidos medicamentos conocidos por afectar el ritmo cardíaco solos, en combinación con otros, y placebo. Para cada periodo de dosificación se registraron ECG estándar de 12 derivaciones junto con muestras de sangre. En lugar de alimentar las formas de onda crudas directamente al ordenador, el equipo primero limpió las señales y luego extrajo un conjunto detallado de características que describen cada latido: cuánto tarda el impulso eléctrico en viajar por el corazón, cómo la onda T asciende y desciende mientras el corazón se recupera entre latidos, y cuánto varía el tiempo entre latidos.

Entrenando a la IA para reconocer huellas del tratamiento

Con estas características, los autores entrenaron y compararon tres modelos populares de aprendizaje automático. Dos de ellos, Random Forest y XGBoost, son métodos basados en árboles que aprenden a partir de muchas reglas de decisión simples que actúan en conjunto, mientras que el tercero, una Máquina de Vectores de Soporte, es un clasificador más tradicional. Se pidió a los modelos que asignaran cada segmento de ECG a uno de diez códigos de tratamiento posibles. Tras un ajuste cuidadoso y validaciones cruzadas, XGBoost alcanzó una precisión de alrededor del 98 por ciento, con Random Forest cerca, alrededor del 97 por ciento, mientras que la Máquina de Vectores de Soporte quedó muy por detrás. Los mejores modelos no solo hicieron predicciones precisas, sino que lo hicieron de forma fiable en todos los grupos de tratamiento.

Lo que dicen los modelos sobre el latido

Más allá de las puntuaciones brutas, el equipo examinó qué características del ECG eran las más relevantes para los modelos basados en árboles. Ambos enfoques destacaron repetidamente la duración del complejo QRS, el intervalo PR y varios rasgos de la onda T, como su altura y forma, como las pistas más fuertes del tratamiento farmacológico. Estos hallazgos concuerdan con el conocimiento clínico de que estas partes del ECG reflejan cómo se propagan las señales eléctricas por el corazón y cómo las cámaras inferiores se reinician entre latidos, procesos que muchos fármacos influyen. Cuando la misma cadena de procesamiento se probó en una base de datos separada que incluía fármacos distintos, volvió a lograr un rendimiento sólido sin necesidad de reentrenarse, lo que sugiere que las reglas aprendidas no están ligadas a un único estudio.

Qué significa esto para la atención futura

En términos sencillos, este trabajo muestra que la IA puede aprender a leer ECG de manera que capture el impacto combinado y sutil de distintos medicamentos en el corazón. En lugar de confiar en una o dos mediciones manuales, en el futuro los médicos podrían usar modelos así para analizar muchas características del ECG a la vez y señalar rápidamente a los pacientes cuyos corazones reaccionan de forma peligrosa a un fármaco. Aunque el estudio aún debe ampliarse a grupos de pacientes mayores y más diversos, sienta una base sólida para usar herramientas basadas en datos para ajustar los tratamientos cardíacos, de modo que cada persona reciba un régimen que no solo sea eficaz sino también más seguro para su corazón.

Cita: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

Palabras clave: electrocardiograma, aprendizaje automático, seguridad de fármacos, arritmia cardíaca, medicina personalizada