Detección temprana basada en modelos de lenguaje profundo de la parada cardíaca extrahospitalaria a partir de llamadas de emergencia en tiempo real

Por qué importa detectar antes las emergencias cardiacas

Cuando el corazón de alguien se detiene repentinamente fuera de un hospital, cada segundo cuenta. La supervivencia depende de la rapidez con que se reconozca la crisis, se solicite ayuda y se inicien las compresiones torácicas. Sin embargo, incluso los despachadores de emergencias entrenados pueden pasar por alto estos eventos durante llamadas telefónicas caóticas. Este estudio explora si un sistema avanzado de inteligencia artificial basado en lenguaje puede analizar las transcripciones de llamadas de emergencia y señalar posibles paros cardíacos en tiempo real, ofreciendo a los despachadores un par de oídos adicional durante el primer minuto, el más crítico.

Qué ocurre durante una llamada al estilo 911

La parada cardíaca extrahospitalaria ocurre sin aviso, deteniendo el flujo sanguíneo y amenazando el cerebro en cuestión de minutos. La supervivencia mejora de forma drástica cuando los transeúntes comienzan rápidamente las compresiones torácicas, a menudo guiados por teléfono por los despachadores. Pero los llamantes pueden estar en pánico, no saber exactamente lo que ven, o confundirse por jadeos anormales que parecen respiración. Como resultado, los despachadores no reconocen la parada cardíaca en aproximadamente uno de cada cuatro casos, retrasando instrucciones que salvan vidas. Las herramientas tradicionales intentan ayudar siguiendo listas rígidas de preguntas o buscando ciertas palabras clave en las llamadas, pero estas pueden engañarse con un lenguaje vago, emocional o confuso.

Cómo se construyó una IA consciente de la conversación

Los investigadores desarrollaron un sistema llamado DyLM-OHCA que usa modelado profundo del lenguaje, una técnica similar a la que impulsa a los chatbots modernos, para analizar transcripciones de llamadas de emergencia. En lugar de centrarse en palabras aisladas, el modelo lee el diálogo ida y vuelta entre el llamante y el despachador conforme se desarrolla. Se entrenó con casi 159 000 llamadas de emergencia de tres grandes ciudades de Corea del Sur, incluyendo más de 2 600 casos confirmados de paro cardíaco. Durante el entrenamiento, el modelo aprendió a convertir cada nueva secuencia de palabras en una estimación continua de si el llamante está describiendo un paro cardíaco, una emergencia grave distinta o un problema menos serio, todo ello sin necesitar etiquetas detalladas para cada frase.

Qué tan bien la IA reconoce el paro cardíaco

El equipo probó DyLM-OHCA en llamadas que no había visto antes y le pidió decidir, dentro de los primeros 60 segundos, si estaba ocurriendo un paro cardíaco. En comparación con cuatro métodos de aprendizaje automático establecidos que dependen de estadísticas de palabras diseñadas a mano, el sistema basado en lenguaje fue sustancialmente más preciso. Separó correctamente las llamadas de paro cardíaco de las demás en más de nueve de cada diez casos según medidas resumen estándar, mientras identificaba cerca de cuatro de cada cinco paros cardíacos reales dentro de ese primer minuto. En promedio, lanzó su primera alerta alrededor de los 20 segundos de la llamada —más de 20 segundos antes que algunos modelos informáticos previos reportados en otros estudios— manteniendo a la vez las alertas incorrectas por debajo de una de cada diez llamadas.

En qué presta atención realmente la IA

Para comprender las decisiones del sistema, los investigadores examinaron qué partes de la conversación empujaban con más fuerza al modelo hacia una advertencia de paro cardíaco. En lugar de aferrarse a una palabra mágica única, el modelo respondió a patrones: un despachador preguntando si la persona está consciente o respira, seguido por un llamante diciendo cosas como “no despierta” o insinuando que algo va muy mal. El modelo también seguía cómo cambiaba su propia confianza a lo largo del tiempo. En la mayoría de las llamadas verdaderamente de paro cardíaco, una vez que subía la puntuación de riesgo, ésta se mantenía alta. En más de la mitad de las falsas alarmas, sin embargo, el riesgo alcanzó su pico de forma temprana y luego cayó conforme la conversación revelaba detalles que apuntaban a otras emergencias, como convulsiones o crisis respiratorias.

Cómo esto podría ayudar a los despachadores reales

Desde un punto de vista práctico, DyLM-OHCA está diseñado como un asistente silencioso, no como un sustituto del juicio humano. Conforme se desarrolla la llamada, actualizaría continuamente una señal de riesgo que el despachador puede ver, junto con explicaciones simples de qué frases recientes impulsaron la alerta. Este contexto podría facilitar la confianza en las advertencias del sistema más que las alertas opacas de modelos antiguos y podría motivar preguntas más enfocadas o instrucciones de compresiones torácicas más tempranas cuando cada segundo cuenta. El estudio se realizó con llamadas en coreano de un país y aún no se ha probado en vivo, pero sugiere que la IA consciente de la conversación podría aumentar de forma significativa el reconocimiento temprano del paro cardíaco y, en última instancia, mejorar la supervivencia.

Cita: Choi, HJ., Hwang, M., Cho, S. et al. Deep language model-based early recognition of out-of-hospital cardiac arrest from real-time emergency calls. npj Digit. Med. 9, 307 (2026). https://doi.org/10.1038/s41746-026-02498-5

Palabras clave: paro cardíaco, llamadas de emergencia, inteligencia artificial, modelos de lenguaje, RCP asistida por el despachador