Una arquitectura conjunta CNN‑Bi‑LSTM‑transformer con explicaciones SHAP para la detección multietiqueta de arritmias a partir de ECG de 12 derivaciones

Por qué el cribado del ritmo cardíaco importa a todo el mundo

Los problemas del ritmo cardíaco, o arritmias, son una causa principal de muerte súbita cardíaca; sin embargo, la prueba principal para detectarlas —el electrocardiograma (ECG) de 12 derivaciones— sigue dependiendo en gran medida de expertos humanos con poco tiempo. Este estudio presenta un sistema de inteligencia artificial capaz de analizar ECGs estándar para detectar al mismo tiempo múltiples problemas de ritmo, explicar sus hallazgos en términos comprensibles para los médicos y funcionar lo bastante rápido como para integrarse en dispositivos portátiles o plataformas de telemedicina. Para los pacientes, eso podría significar una advertencia más temprana ante ritmos peligrosos; para los clínicos, promete un asistente incansable que no solo señala problemas, sino que también muestra por qué.

Escuchar el corazón con muchos oídos

Un ECG de 12 derivaciones captura la actividad eléctrica del corazón desde múltiples puntos de vista mediante electrodos en el tórax y las extremidades. Cada latido genera un patrón característico de ondas que revela cómo viajan las señales por las cavidades cardíacas. Pequeñas distorsiones en estos patrones pueden indicar condiciones que van desde variaciones inocuas hasta alteraciones potencialmente mortales. Interpretar estos cambios sutiles a través de muchas derivaciones y durante registros largos es exigente, y las lecturas humanas pueden variar entre expertos. Al mismo tiempo, la atención moderna depende cada vez más del monitoreo continuo en hospitales, en el domicilio y en dispositivos wearables, lo que genera más datos de los que los clínicos pueden revisar a simple vista.

Enseñar a un asistente digital a leer señales cardíacas complejas

Los investigadores construyeron un modelo de aprendizaje profundo que toma segmentos crudos de ECG de 12 derivaciones como entrada y aprende a reconocer 27 problemas clínicamente importantes de ritmo y conducción. Primero, preprocesaron más de 43.000 registros etiquetados por expertos de la amplia colección PhysioNet/Computing in Cardiology 2020. Las señales procedentes de distintos hospitales tenían tasas de muestreo distintas y contenían ruido, valores perdidos y ocasionales atípicos. El equipo remuestreó todos los ECG a una tasa común, eliminó la deriva de base y las interferencias eléctricas, rellenó huecos usando reglas estadísticamente sólidas y segmentó los datos en ventanas solapadas de cuatro segundos. Esta duración de ventana resultó suficiente para capturar patrones rítmicos clave al tiempo que se mantenía corta y eficiente para el análisis en tiempo real.

Cómo el modelo en capas percibe espacio, tiempo y contexto

El núcleo del sistema es una cadena de tres módulos complementarios de redes neuronales. Las capas convolucionales actúan como detectores de patrones, explorando cada derivación del ECG en busca de formas como picos agudos, complejos ensanchados o segmentos deformados. A continuación, las capas bidireccionales de memoria a largo y corto plazo (Bi‑LSTM) siguen cómo evolucionan estas características a lo largo del tiempo, observando el ritmo hacia adelante y hacia atrás para captar intervalos irregulares y transiciones entre latidos. Finalmente, un bloque transformer aplica un mecanismo de atención que puede centrarse en fragmentos de señal lejanos pero relacionados a través de todas las derivaciones al mismo tiempo, estableciendo conexiones que pueden indicar condiciones superpuestas. Juntas, estas capas convierten cada ventana corta de ECG en una representación compacta a partir de la cual la red estima la presencia de cada una de las 27 categorías de arritmia y conducción en un enfoque multietiqueta.

Abrir la caja negra con resaltados significativos

Para hacer comprensibles las decisiones del sistema, los autores integraron una técnica llamada SHAP, que calcula cuánto contribuyó cada porción del ECG a una predicción concreta. Tras el entrenamiento, usaron SHAP para generar “mapas de importancia” visuales que resaltan segmentos de onda y derivaciones específicas en las que el modelo se basó en cada caso. Estos mapas a menudo coincidieron con el razonamiento cardiológico estándar: por ejemplo, el sistema enfatizó la ausencia de ondas P y los intervalos de latido irregulares al identificar fibrilación auricular, o complejos QRS ensanchados y pausas compensatorias al reconocer latidos ventriculares prematuros. Esta alineación sugiere que la IA no se limita a memorizar patrones, sino que se centra en las mismas pistas fisiológicas que usan los expertos humanos.

Rendimiento en el mundo real y promesa futura

En un grupo de prueba independiente de pacientes, el modelo clasificó correctamente los ritmos con una precisión global de alrededor del 91% y mantuvo un buen equilibrio entre detectar problemas reales y evitar falsas alarmas tanto en condiciones comunes como raras. Para arritmias peligrosas, como los latidos ventriculares prematuros y la fibrilación auricular, su capacidad para distinguir lo anormal de lo normal fue extremadamente alta. De manera notable, el modelo completo ocupa menos de dos megabytes de memoria y puede analizar una ventana de ECG en menos de diez milisegundos, lo que lo hace apto para su implementación en monitores de cabecera, registradores ambulatorios o incluso dispositivos wearables inteligentes. En términos sencillos, este trabajo muestra que una IA compacta y explicable puede ayudar a leer ECGs estándar a lo largo de una amplia gama de problemas del ritmo cardíaco, ofreciendo a los clínicos justificaciones visuales claras y allanando el camino hacia un monitoreo cardiaco más seguro y accesible.

Cita: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

Palabras clave: electrocardiograma, arritmia cardíaca, aprendizaje profundo, IA explicable, monitoreo cardíaco