Evaluación multicéntrica de una IA interpretable para el diagnóstico de enfermedad de las arterias coronarias a partir de biomarcadores PET

Por qué importa la IA en el escaneo cardiaco

La enfermedad de las arterias coronarias, la acumulación de placa que puede bloquear el flujo sanguíneo al corazón, sigue siendo una de las principales causas de infartos y muerte en todo el mundo. Pruebas de imagen modernas como las tomografías PET/CT pueden revelar el flujo sanguíneo, la función cardiaca y los depósitos de calcio en las arterias, pero la gran cantidad de datos puede abrumar incluso a lectores expertos. Este estudio explora cómo un modelo de inteligencia artificial (IA) interpretable puede unir estas piezas en una única puntuación fácil de usar que ayuda a los médicos a detectar con mayor precisión bloqueos peligrosos —y mostrar con claridad qué hallazgos están impulsando su decisión.

Integrar muchas señales cardiacas en una sola imagen

Cuando los pacientes se someten a una exploración cardiaca PET/CT, los médicos pueden ver cuán bien fluye la sangre por el músculo cardiaco en reposo y bajo estrés, qué tan vigoroso es el bombeo del corazón y cuánto calcio —un indicador de acumulación de placa a largo plazo— hay en las arterias coronarias. Tradicionalmente, los clínicos analizan estas medidas una a una y luego las integran mentalmente para decidir si las arterias probablemente están estrechadas. Esa integración mental es difícil y a veces inconsistente, y no existe una forma universalmente aceptada de ponderar conjuntamente flujo sanguíneo, defectos de perfusión y puntuaciones de calcio. Los investigadores se propusieron construir una herramienta de IA que pudiera combinar diez medidas rutinarias obtenidas de la exploración, además del sexo del paciente, en una sola probabilidad de que existan obstrucciones arteriales significativas.

Cómo se realizó el estudio

El equipo recurrió a un gran registro internacional de 17.348 pacientes que se sometieron a exploraciones cardiacas PET/CT. De ese grupo, se centraron en 1.664 personas de cuatro centros que no tenían antecedentes de infarto ni de by-pass y que se sometieron a angiografía coronaria invasiva, la prueba radiológica con contraste usada como estándar para confirmar arterias bloqueadas. Los datos de un hospital (386 pacientes) se usaron para entrenar y ajustar el modelo de IA, mientras que los datos de los otros tres hospitales (1.278 pacientes) se reservaron para pruebas externas reales. El modelo de IA, basado en una técnica de aprendizaje automático llamada XGBoost, empleó diez características derivadas de la exploración, incluyendo flujo sanguíneo bajo estrés, reserva de flujo, tamaño de los defectos de perfusión, puntuaciones de calcio medidas automáticamente a partir de las imágenes CT, fuerza de bombeo y una medida de cómo cambia el tamaño del corazón bajo estrés.

Rendimiento de la IA

En el grupo de prueba externo, donde alrededor de la mitad de los pacientes realmente presentaban enfermedad coronaria obstructiva, el modelo de IA superó claramente tanto a medidas individuales como a médicos experimentados. Usando una métrica de precisión habitual llamada área bajo la curva característica operativa del receptor, la IA alcanzó un valor de 0,83, en comparación con 0,80 para las puntuaciones clínicas de expertos, 0,79 para la medida principal de perfusión, 0,75 para la reserva de flujo y 0,69 para el calcio por sí solo. Cuando los investigadores ajustaron el umbral para que la IA etiquetara como “normal” aproximadamente la misma proporción de pacientes que los umbrales tradicionales, la IA detectó más pacientes de alto riesgo con enfermedad multivaso grave. Su rendimiento fue estable en hombres y mujeres, en pacientes jóvenes y mayores, y en personas con y sin obesidad, lo que sugiere que el enfoque es aplicable de forma amplia.

Hacer visible la lógica de la IA

Una preocupación importante con los algoritmos avanzados en medicina es que pueden comportarse como “cajas negras”, ofreciendo predicciones sin explicaciones. Para evitar esto, los autores emplearon una técnica llamada análisis SHAP para mostrar qué características de la exploración influenciaron con mayor fuerza cada predicción individual. En el conjunto del estudio, los factores más importantes fueron la cantidad de músculo cardiaco con flujo reducido, la carga total de calcio y la reserva de flujo. Por ejemplo, en un paciente mostrado con flujo severamente reducido y hallazgos de alto riesgo en la angiografía, la IA asignó una alta probabilidad de enfermedad impulsada principalmente por la baja reserva de flujo. En otro paciente con puntuaciones de perfusión limítrofes pero flujo sanguíneo normal y calcio cero, la IA indicó correctamente una baja probabilidad de enfermedad, en contraste con una lectura médica más alarmista. Explicaciones caso por caso como estas podrían ayudar a los clínicos a confiar en las decisiones apoyadas por IA y a verificarlas.

Qué significa esto para los pacientes

Este trabajo presenta el primer sistema de IA multicéntrico y probado externamente que combina medidas estándar de la exploración PET/CT cardiaca y puntuación automatizada de calcio para diagnosticar la enfermedad de las arterias coronarias. El modelo proporciona una única estimación de riesgo interpretable que a menudo supera la precisión de lectores expertos mientras destaca las características específicas de la exploración detrás de cada juicio. Aunque la herramienta aún no está aprobada para uso clínico rutinario y se necesitan más estudios prospectivos, apunta hacia un futuro en el que los resultados de la imagen cardiaca se resuman en puntuaciones de riesgo claras y personalizadas que ayuden a los médicos a decidir con mayor confianza quién necesita pruebas invasivas o tratamiento agresivo —y quién puede evitarlas con seguridad.

Cita: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Palabras clave: enfermedad de las arterias coronarias, PET/CT cardíaco, inteligencia artificial, puntuación de calcio, flujo sanguíneo miocárdico