xGNN4MI: explicabilidad de redes neuronales de grafos en electrocardiografía de 12 derivaciones para la clasificación de enfermedades cardiovasculares

Por qué esto importa para la salud cardíaca

Los infartos y otras enfermedades del corazón siguen siendo causas principales de muerte en todo el mundo, y la prueba estándar para detectar problemas es la conocida línea ondulada del electrocardiograma, o ECG. Los médicos recurren cada vez más a la inteligencia artificial para ayudar a interpretar estas señales, pero muchas herramientas de IA funcionan como cajas negras opacas, ofreciendo un veredicto sin mostrar cómo llegaron a él. Este estudio presenta un nuevo enfoque llamado xGNN4MI que busca conservar la potencia de la IA moderna a la vez que hace visible y verificable su razonamiento para los clínicos.

De los latidos a señales conectadas

Un ECG no proviene de un único punto de vista: doce derivaciones colocadas en el tórax y las extremidades proporcionan perspectivas ligeramente distintas sobre la actividad eléctrica del corazón. Cada una es sensible a una región diferente del músculo cardíaco y del suministro sanguíneo. Los autores convierten esta grabación multiderivación en una red, donde cada nodo representa una derivación y las conexiones capturan cómo se relacionan esas señales a lo largo del tiempo. Al dividir el ECG de diez segundos en parches más cortos y enlazar la misma derivación entre parches, construyen una estructura que refleja tanto la ubicación de los electrodos en el cuerpo como el desarrollo del latido paso a paso. Esta red se convierte en la entrada para una red neuronal de grafos, un tipo de IA diseñado para trabajar sobre redes de datos conectados en lugar de cuadrículas o listas simples.

Una nueva canalización para leer y localizar infartos

Usando esta visión en forma de red del ECG, el equipo diseñó una canalización de código abierto que llaman xGNN4MI. Gestiona todo el recorrido desde la señal cruda hasta el diagnóstico: construir el grafo del ECG, entrenar la red neuronal de grafos y luego explicar cómo el modelo hace sus predicciones. Probaron el sistema en dos tareas exigentes. Primero, tuvo que clasificar ECG en cinco grandes grupos diagnósticos, como ritmo normal, infarto o problemas de conducción. Segundo, debía ir un paso más allá e identificar dónde en el corazón había ocurrido un infarto, distinguiendo entre daño en la pared anterior (anteroseptal) y la pared inferior (inferior) del músculo cardíaco. El modelo se entrenó con una gran colección pública de ECG y luego se retó con un estudio poblacional independiente para evaluar qué tan bien se generalizaba a pacientes nuevos.

Qué tan bien funciona el sistema

En la tarea de clasificación amplia, el modelo alcanzó una precisión de alrededor de siete de cada diez ECG, con un rendimiento especialmente sólido al reconocer grabaciones normales y infartos claros. Algunas categorías de apariencia más variada, como el engrosamiento del músculo cardíaco o las alteraciones de conducción, fueron más difíciles de separar limpiamente, probablemente porque abarcan varios problemas subyacentes distintos. Para la tarea más detallada de localizar el infarto, el rendimiento mejoró: el sistema distinguió correctamente entre los principales subtipos de infarto con una puntuación F1 ponderada cercana a 0,8 en el conjunto principal y mostró buena capacidad de generalización al cohorte externo. Fue particularmente fiable al reconocer los patrones clásicos inferiores y anteroseptales. Sin embargo, tuvo más dificultades para identificar corazones realmente sanos en el estudio externo, una señal de que sutiles diferencias entre conjuntos de datos —como duraciones de QRS ligeramente mayores, una medida del tiempo que tarda cada latido en activarse— pueden confundir incluso a modelos bien entrenados.

Ver en qué "mira" la IA

Una promesa central de xGNN4MI es que no solo da una respuesta, sino que también muestra qué partes del grafo del ECG fueron más importantes. Los autores usaron un método llamado GNNExplainer para resaltar las derivaciones y conexiones más influyentes en cada predicción. Cuando el modelo etiquetó un ECG como infarto anteroseptal, los nodos más importantes fueron las derivaciones precordiales V1 a V3, en consonancia con lo que enseñan los manuales: estas derivaciones observan la pared anterior del corazón. Para los infartos inferiores, el modelo se centró en las derivaciones II, III y aVF, reflejando de nuevo los criterios tradicionales. Curiosamente, una derivación de extremidad (aVR), a menudo pasada por alto en la lectura de rutina, emergió como inusualmente importante en algunos casos inferiores, eco de informes clínicos más recientes que vinculan cambios en esta derivación con complicaciones más graves. Los ECG normales, en contraste, mostraron una distribución más uniforme de importancia entre las derivaciones, consistente con la ausencia de una región dañada única.

Limitaciones y direcciones futuras

Aunque las explicaciones coincidieron bien con el conocimiento cardiológico establecido, también subrayaron límites actuales. El método de explicabilidad tiende a centrarse en conglomerados de derivaciones conectadas y no captura por completo relaciones distantes o temporización fina, aunque estas puedan ser clínicamente relevantes. El modelo también trabaja con etiquetas dominantes únicas y aún no refleja la mezcla de condiciones que a menudo presentan los pacientes reales. Los autores sugieren que trabajos futuros podrían usar herramientas de explicación más avanzadas que manejen mejor el tiempo, incorporar diagnósticos multilabel y adaptar la estructura del grafo a enfermedades cardíacas específicas. No obstante, al compartir el código abiertamente, documentar cada elección de diseño y mostrar que su modelo se centra en regiones del ECG con sentido clínico, xGNN4MI ofrece un paso concreto hacia herramientas de IA que los médicos puedan usar y en las que puedan confiar.

Qué significa esto para pacientes y clínicos

En términos claros, este trabajo muestra que es posible construir un asistente de IA para la interpretación del ECG que no solo detecte infartos y sugiera dónde ocurrieron, sino que también señale las mismas derivaciones en las que confían los expertos humanos. Aunque aún no está listo para reemplazar a un cardiólogo, el marco demuestra que la potente IA basada en grafos puede hacerse más transparente y verificarse frente al conocimiento médico. Si se refina y valida más, tales herramientas podrían ayudar a clínicos menos experimentados en entornos con mucho trabajo o recursos limitados, señalando rápidamente infartos de alto riesgo y proporcionando a la vez una pista visual de cómo se tomó la decisión.

Cita: Maurer, M.C., Hempel, P., Steinhaus, K.E. et al. xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification. npj Digit. Med. 9, 256 (2026). https://doi.org/10.1038/s41746-026-02367-1

Palabras clave: IA en electrocardiograma, redes neuronales de grafos, infarto de miocardio, inteligencia artificial explicable, diagnóstico cardiovascular