Predicción de resultados en pruebas cardiopulmonares en cardiopatías congénitas mediante integración multimodal de datos y aprendizaje geométrico

Por qué importa este estudio cardiaco

Para las personas nacidas con defectos cardíacos, crecer y llegar a la edad adulta conlleva con frecuencia incertidumbre: ¿responderá mi corazón a la vida diaria, al ejercicio o a una cirugía importante? Este estudio examina si la información ya recogida en la atención rutinaria —trazados cardíacos y cartas de consulta— puede combinarse y analizarse con técnicas computacionales modernas para predecir cómo rendirán el corazón y los pulmones de un paciente durante el ejercicio, sin necesidad de someterse siempre a una prueba exigente.

Comprender la forma física a partir de la respiración y el latido

Los médicos usan con frecuencia un examen especializado en cinta o bicicleta, llamado prueba cardiopulmonar de esfuerzo, para ver cuánto oxígeno puede consumir una persona y con qué eficacia elimina el dióxido de carbono al respirar. Estas mediciones ofrecen una instantánea potente de la forma física general y del riesgo futuro para la salud, especialmente en adultos con cardiopatía congénita. Sin embargo, la prueba requiere tiempo, equipo especial y no está disponible para todos los pacientes ni en todos los hospitales.

Reuniendo información de pacientes dispersa

Los investigadores recopilaron varios tipos de información de 436 adultos con cardiopatía congénita atendidos en un centro especializado escocés. Digitalizaron más de cuatro mil electrocardiogramas estándar de 12 derivaciones —breves registros de la actividad eléctrica del corazón— y también convirtieron las cartas clínicas y los informes de ejercicio escritos en un formato estructurado y legible por ordenador. A partir de esos documentos textuales extrajeron detalles clave sobre los diagnósticos, las intervenciones cardíacas y la medicación de cada persona, eliminando la información identificativa. Para 258 pacientes que se sometieron a pruebas de ejercicio, se centraron en dos medidas centrales conocidas por predecir la supervivencia: el consumo máximo de oxígeno y la cantidad de respiración necesaria para eliminar el dióxido de carbono.

Encontrar patrones con geometría en lugar de fuerza bruta

Dado que la cardiopatía congénita es relativamente rara y muy heterogénea, el equipo no pudo basarse en conjuntos de datos gigantescos como los que se usan para entrenar muchos sistemas modernos de inteligencia artificial. En su lugar, representaron cada ECG como un resumen de cómo varían conjuntamente las señales de las distintas derivaciones, una huella matemática del patrón eléctrico del corazón. Estas huellas adoptan la forma de matrices de covarianza, que los autores analizaron con herramientas de una rama de las matemáticas llamada geometría riemanniana. En términos prácticos, esto les permitió medir similitudes entre señales cardíacas con mayor sensibilidad y crear nuevos ejemplos sintéticos realistas mezclando de forma continua los patrones de pacientes existentes, lo que ayudó al modelo informático a aprender a partir de una muestra pequeña y desequilibrada.

Combinar palabras y ondas para mejores predicciones

El estudio comparó varios enfoques para predecir el rendimiento en ejercicio a partir de estos datos. Los modelos que usaban solo mediciones básicas del ECG, como intervalos estándar y valores de frecuencia que aparecen en los informes habituales, rindieron mal. Cuando los investigadores introdujeron en su lugar las huellas más ricas del ECG, la precisión de la predicción mejoró de forma notable. Las mayores ganancias se observaron al combinar esas huellas del ECG con la información extraída de las cartas clínicas, de modo que el modelo «conocía» tanto cómo se comportaba la electricidad cardíaca como qué afecciones, cirugías y fármacos tenía la persona. Con esta fusión de datos, junto con su aumento basado en geometría, las estimaciones informáticas del consumo máximo de oxígeno se correlacionaron de forma moderada con los resultados reales de la prueba, superando a métodos más simples tanto en la predicción continua como en la clasificación de pacientes en bandas de riesgo.

Qué significa esto para pacientes y equipos de atención

El trabajo todavía no sustituye a la prueba de ejercicio, y los autores reconocen que su precisión de clasificación sigue siendo demasiado limitada para la toma de decisiones clínicas directa. Pero sus resultados muestran que modelos diseñados con cuidado, que respetan la estructura de los datos y aprovechan tanto los trazados cardíacos como la información clínica narrativa, pueden anticipar de manera significativa cómo afrontará una persona con cardiopatía congénita el esfuerzo físico. En el futuro, con conjuntos de datos más grandes y diversos, herramientas similares podrían ayudar a identificar a pacientes cuya forma física empeora antes de que los síntomas sean evidentes, apoyar decisiones sobre cirugía o cambios en el estilo de vida y ampliar la evaluación avanzada del riesgo a hospitales que no disponen de instalaciones completas para pruebas de ejercicio.

Cita: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Palabras clave: cardiopatía congénita, prueba cardiopulmonar de esfuerzo, electrocardiograma, aprendizaje automático, predicción de riesgo