Clasificación de fibrilación auricular paroxística mediante electrocardiogramas en ritmo sinusal usando el método de reconstrucción de atractores por proyección simétrica

Por qué importa este estudio sobre el ritmo cardíaco

La fibrilación auricular es un problema común del ritmo cardíaco que puede aumentar silenciosamente el riesgo de ictus y mortalidad prematura. Una forma intrigante, llamada fibrilación auricular paroxística, aparece y desaparece en episodios cortos, de modo que las personas pueden presentar un trazado cardíaco con apariencia perfectamente normal cuando visitan al médico. Este estudio plantea una pregunta provocadora: incluso cuando el electrocardiograma (ECG) parece normal, ¿lleva aún una huella sutil de problemas de ritmo ocultos que los ordenadores pueden detectar—y podría eso ahorrar a los pacientes semanas de monitorización cardíaca incómoda?

Pistas ocultas en una prueba cardíaca habitual

Los médicos suelen diagnosticar la fibrilación auricular captando un episodio en un ECG que registra la actividad eléctrica del corazón. Para las personas cuyos episodios son breves e infrecuentes, las pruebas estándar—e incluso los monitores portátiles de 30 días—suelen pasar por alto el problema. Los investigadores de este trabajo exploraron si un ECG corto de 10 segundos tomado mientras el corazón late con ritmo normal podría aún revelar quién tiene antecedentes de fibrilación auricular paroxística. Si eso fuera posible, una prueba de rutina en una clínica o en urgencias podría identificar a pacientes en riesgo sin esperar al próximo episodio.

Convertir latidos en formas geométricas

Para buscar estas pistas ocultas, el equipo utilizó un enfoque de procesamiento de señales llamado Reconstrucción de Atractores por Proyección Simétrica. En lugar de centrarse en los hitos familiares del ECG—los picos y ondas agudos que los médicos suelen inspeccionar—este método trata el latido repetido completo como un patrón en el tiempo. Muestrea cada latido en varios puntos y traza esos valores entre sí, convirtiendo la señal unidimensional en una imagen geométrica bidimensional llamada atractor. Cambios sutiles en cómo la señal eléctrica del corazón asciende, desciende y varía de un latido a otro se reflejan como diferencias en la forma, el tamaño y la densidad de estos patrones atractores, incluso cuando el ECG original parece normal a simple vista.

Entrenar ordenadores para detectar patrones de riesgo

Los investigadores recurrieron a una gran base de datos abierta de ECG que incluía personas con episodios documentados de fibrilación auricular y sujetos control emparejados cuidadosamente sin problemas de ritmo conocidos, equilibrando por edad y sexo. Para cada trazado de 10 segundos en ritmo normal, generaron imágenes atractor a partir de las 12 derivaciones del ECG y convirtieron estas formas en resúmenes numéricos que describen cómo se agrupan densamente los puntos en diferentes direcciones y distancias desde el centro. Estos resúmenes se introdujeron luego en dos enfoques estándar de aprendizaje automático: uno que clasifica un caso nuevo según sus vecinos más cercanos en el conjunto de datos y otro que construye un árbol de decisión de reglas if‑then. El equipo también probó cuestiones prácticas importantes para el uso clínico real, como qué derivación del ECG funciona mejor y si tasas de muestreo más bajas—comunes en máquinas de clínica—perjudican el rendimiento.

Qué tan bien funcionó el método

En muchas combinaciones de parámetros, la mejor configuración usó características del atractor que describen cómo se disponen densamente los puntos alrededor del círculo, tomadas de ECG muestreados a 125 hertz y clasificadas con el método de los vecinos más cercanos. En estas condiciones, el sistema distinguió correctamente entre personas con y sin fibrilación auricular paroxística en alrededor del 81% de los casos. Fue muy fiable identificando controles realmente sanos (unos 95% de especificidad) pero más modesto a la hora de detectar a todos los pacientes afectados (unos 67% de sensibilidad). Un enfoque de árbol de decisión elevó la sensibilidad hasta aproximadamente 73% pero sacrificó algo de capacidad para evitar falsas alarmas. Es importante señalar que el método necesitó solo 10 segundos de datos en ritmo normal, y aun así su sensibilidad fue aproximadamente el doble de la reportada para monitorización cardíaca a largo plazo de 30 días en trabajos anteriores.

Quiénes se benefician y qué queda por mejorar

Los investigadores hallaron que el rendimiento fue bastante estable entre distintos grupos de edad, pero algo mejor en hombres que en mujeres, probablemente reflejando desequilibrios en la base de datos subyacente. Otras enfermedades cardíacas presentes en algunos pacientes tendieron a reducir la precisión, y el intervalo entre el episodio de fibrilación documentado y el ECG en ritmo normal también pareció importar. Estos hallazgos sugieren que estudios futuros con grupos de pacientes más grandes y diversos—y un seguimiento cuidadoso de otros diagnósticos y tiempos de grabación—podrían afinar aún más la herramienta y aclarar dónde funciona mejor, por ejemplo en clínicas, urgencias o dispositivos vestibles.

Un paso hacia una detección más temprana y sencilla

Para un lector no especializado, el mensaje clave es que una prueba cardíaca estándar y rápida puede contener más información de la que los médicos pueden ver actualmente. Al convertir latidos con apariencia normal en patrones geométricos y permitir que los algoritmos comparen esas formas entre muchos pacientes, este estudio demuestra que es posible señalar a personas con antecedentes de fibrilación auricular paroxística usando solo unos segundos de ritmo normal. Aunque el método aún no es perfecto, ofrece una vía prometedora hacia cribados más rápidos y cómodos que podrían ayudar a identificar a personas en riesgo de ictus antes y orientar quién debería recibir seguimiento más estrecho o tratamiento preventivo.

Cita: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Palabras clave: fibrilación auricular, electrocardiograma, aprendizaje automático, ritmo cardíaco, detección temprana