Enfoque multimodal explicable para descubrir predictores clave del riesgo de ictus a partir de señales de ECG, EMG, presión arterial y respiración

Por qué importan la respiración y las señales cardíacas para el ictus

El ictus aparece de forma rápida pero suele desarrollarse en silencio durante años. Los médicos saben que la hipertensión, los problemas del ritmo cardíaco y los hábitos de vida aumentan el riesgo, pero sigue siendo difícil predecir quién está realmente en peligro. Este estudio muestra que la forma en que respiramos —especialmente cómo el organismo maneja el dióxido de carbono— contiene pistas ocultas sobre el riesgo de ictus. Al combinar señales respiratorias, cardíacas, musculares y de presión arterial en un modelo de inteligencia artificial (IA) explicable, los autores revelan nuevas maneras de identificar pacientes de alto riesgo y ayudan a los clínicos a entender por qué un algoritmo toma una determinada decisión.

Escuchar las señales silenciosas del cuerpo

En lugar de usar exploraciones cerebrales, que son costosas y no aptas para monitorización continua, los investigadores recurrieron a medidas eléctricas y de presión sencillas tomadas en 64 voluntarios, algunos con ictus isquémico previo y otros sin él. Registraron siete señales mientras las personas estaban sentadas y luego de pie: actividad cardíaca (dos canales de ECG), actividad muscular de la pierna (dos canales de EMG), presión arterial mediante un manguito en el dedo y dos señales respiratorias en la boca —dióxido de carbono en el aire exhalado y la tasa de flujo de aire. Estas mediciones son similares a las que podrían recoger monitores de cabecera hospitalarios o wearables avanzados, lo que hace que el enfoque sea potencialmente práctico para revisiones periódicas.

Convertir ondas crudas en patrones que la computadora pueda leer

El equipo cortó la grabación de 10 minutos de cada persona en muchas porciones de 14 segundos que se solapaban parcialmente, tiempo suficiente para capturar varias respiraciones y latidos cardíacos repetidos. Para cada porción calcularon una amplia gama de descriptores numéricos sencillos: medias, variabilidad, cuántas veces las señales cruzaban cero y cómo se distribuía su energía en distintas frecuencias. Estas características resumen el “estilo” de cada señal sin almacenar las formas de onda completas, reduciendo el coste computacional y el ruido. Todas las características de las siete señales se apilaron después para representar una sola muestra de cómo se comportaba el cuerpo de esa persona en ese breve periodo.

Un modelo simple inspirado en el cerebro que supera a redes más profundas

En lugar de usar una red neuronal profunda y compleja, los autores eligieron una muy simple: un perceptrón de una sola capa. Este modelo toma todas las características numéricas, multiplica cada una por un peso aprendido, las suma y pasa el resultado por una función de compresión para producir una probabilidad de “ictus” o “sin ictus”. A pesar de su simplicidad, este modelo alcanzó una precisión de alrededor del 85–88 por ciento, superando métodos más sofisticados como redes neuronales recurrentes y convolucionales, redes de estado eco en ensamblado y clasificadores de aprendizaje automático populares cuando todos se evaluaron con los mismos datos. De forma crucial, cuando se eliminaron las señales respiratorias (dióxido de carbono y flujo de aire), la precisión cayó hasta aproximadamente el 59 por ciento, un descenso estadísticamente significativo, lo que muestra que los datos respiratorios aportan información crítica que las demás señales por sí solas no capturan.

Abrir la caja negra: qué señales importan de verdad

Los médicos desconfían con razón de la IA como caja negra, por lo que el equipo usó tres herramientas de explicación —SHAP, LIME y Anchors— para ver de qué características dependía más el modelo. Las tres apuntaron a características respiratorias, especialmente las derivadas del dióxido de carbono, como impulsores clave de las predicciones. SHAP, un explicador basado en teoría de juegos, clasificó el nivel medio de dióxido de carbono exhalado, su variabilidad y la presión arterial media como las tres principales contribuciones para decidir si una muestra parecía corresponder a un paciente con ictus. Un dióxido de carbono medio alto y una presión arterial elevada tendían a empujar al modelo hacia “ictus”, mientras que patrones de dióxido de carbono más irregulares sugerían menor riesgo. Para evaluar qué explicador era más fiable, los autores aplicaron una prueba especial: eliminar las principales características nombradas por cada método y observar cuánto empeoraba el rendimiento del modelo. SHAP provocó la mayor caída, lo que le valió el título de intérprete más fiable.

Qué significa esto para pacientes y clínicos

Para el público en general, la conclusión es clara: cómo respiras y cómo eliminas el dióxido de carbono puede ser tan revelador sobre el riesgo de ictus como tu presión arterial o tu ritmo cardíaco. Este trabajo sugiere que monitores rutinarios que capten gases respiratorios, presión arterial, señales cardíacas y musculares podrían vincularse a una IA simple y transparente para identificar a personas que merecen una vigilancia más estrecha mucho antes de que ocurra un ictus. Dado que el modelo es a la vez preciso y explicable, los clínicos pueden ver qué aspectos de la fisiología del paciente están impulsando la estimación de riesgo, lo que favorece la confianza y tratamientos dirigidos. Aún se necesitan estudios más amplios, pero los resultados subrayan las medidas respiratorias relacionadas con el dióxido de carbono como prometedores nuevos marcadores para la prevención del ictus.

Cita: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Palabras clave: riesgo de ictus, señales respiratorias, dióxido de carbono, IA explicable, ECG y presión arterial