Una investigación estadounidense publicada en la revista SLEEP utilizó inteligencia artificial para analizar registros cardíacos nocturnos de más de 38.000 pacientes y encontró señales relacionadas con el riesgo futuro de fibrilación auricular, insuficiencia cardíaca y mortalidad.
Redacción: Redacción Mundo de la Salud
Editor: Eduardo Schmitz
Una investigación desarrollada en Estados Unidos ha demostrado que los electrocardiogramas registrados durante los estudios del sueño contienen información que podría ayudar a identificar a personas con mayor riesgo de desarrollar determinadas enfermedades cardiovasculares. El hallazgo fue obtenido por un equipo de científicos de la Universidad Emory y otras instituciones estadounidenses mediante un sistema de inteligencia artificial entrenado para analizar la actividad eléctrica del corazón durante la noche.
El estudio, publicado el 9 de octubre de 2026 en la revista científica SLEEP, examinó registros procedentes de más de 38.000 pacientes atendidos en tres centros médicos de Estados Unidos.
Los investigadores encontraron que las señales cardíacas registradas durante una polisomnografía, combinadas con información sobre las etapas del sueño, permitían clasificar a los pacientes según su riesgo de presentar fibrilación auricular, insuficiencia cardíaca y muerte por cualquier causa durante el seguimiento.
El resultado plantea una posibilidad para la medicina preventiva: aprovechar información que ya se obtiene durante determinadas pruebas del sueño para realizar una evaluación adicional del riesgo cardiovascular.
Sin embargo, los investigadores advierten que el modelo todavía necesita evaluaciones adicionales antes de incorporarse como herramienta habitual de diagnóstico o prevención.
Una prueba del sueño puede contener información sobre el corazón
La polisomnografía es una prueba utilizada para estudiar diferentes trastornos del sueño, entre ellos la apnea obstructiva, una condición caracterizada por interrupciones repetidas de la respiración mientras la persona duerme.
Durante esta evaluación se registran distintas señales fisiológicas, como la actividad cerebral, los movimientos oculares, la respiración, la oxigenación de la sangre y la actividad eléctrica del corazón.
El electrocardiograma forma parte de estos registros porque permite observar el ritmo cardíaco durante las diferentes fases del descanso.
Habitualmente, esa información se utiliza para identificar alteraciones del ritmo durante la prueba, pero no siempre se analiza de manera sistemática para estimar el riesgo de enfermedades cardiovasculares a largo plazo.
Los investigadores quisieron determinar si los patrones eléctricos nocturnos podían aportar información pronóstica adicional a la obtenida mediante los factores de riesgo tradicionales.
El interés por esta relación se fundamenta en que los trastornos respiratorios del sueño pueden afectar al sistema cardiovascular. La apnea obstructiva del sueño y sus consecuencias sobre la salud cardíaca constituyen un ejemplo de cómo las alteraciones nocturnas pueden relacionarse con hipertensión, arritmias y otras complicaciones.
La nueva investigación, no obstante, no se limitó a evaluar la apnea. Su objetivo fue examinar si el electrocardiograma nocturno contenía señales predictivas de diferentes resultados cardiovasculares.
Inteligencia artificial aplicada a registros de más de 38.000 pacientes
El equipo científico utilizó un sistema de aprendizaje profundo, una modalidad de inteligencia artificial que permite identificar patrones complejos en grandes conjuntos de datos.
El modelo analizó electrocardiogramas de una sola derivación, es decir, registros obtenidos a partir de una única señal eléctrica del corazón.
Estos datos se combinaron con información sobre las etapas del sueño identificadas durante la polisomnografía.
Para ajustar el sistema, los investigadores utilizaron un conjunto de 15.809 pacientes atendidos en el Massachusetts General Hospital, en Boston.
Posteriormente evaluaron su desempeño en dos grupos independientes: uno de 9.810 pacientes del Emory University Hospital, en Atlanta, y otro de 12.576 pacientes del Beth Israel Deaconess Medical Center, también en Boston.
En conjunto, los tres grupos reunieron 38.195 pacientes.
La utilización de diferentes hospitales permitió comprobar si el modelo conservaba capacidad predictiva al analizar registros obtenidos en instituciones distintas de aquella utilizada para su ajuste.
Los resultados cardiovasculares se identificaron mediante información procedente de los historiales médicos electrónicos.
La investigación buscó estimar el riesgo de eventos durante un horizonte de hasta diez años, aunque la capacidad predictiva observada no fue igual para todas las enfermedades examinadas.
El modelo identificó señales de fibrilación auricular e insuficiencia cardíaca
Los investigadores evaluaron la capacidad del sistema para predecir fibrilación auricular, insuficiencia cardíaca, infarto de miocardio, accidente cerebrovascular y mortalidad por cualquier causa.
Los resultados más favorables correspondieron a la fibrilación auricular, la insuficiencia cardíaca y la mortalidad general.
El modelo consiguió diferenciar grupos de pacientes con distintos niveles de riesgo futuro. Las personas que recibían puntuaciones más elevadas presentaban una mayor probabilidad de experimentar los resultados cardiovasculares estudiados.
La fibrilación auricular es una alteración del ritmo cardíaco en la que las aurículas presentan una actividad eléctrica desorganizada. Puede aumentar el riesgo de formación de coágulos y accidente cerebrovascular.
Su detección temprana es relevante porque existen estrategias clínicas para reducir determinadas complicaciones. Entre ellas se encuentran las descritas en investigaciones sobre diagnóstico de fibrilación auricular y tratamiento anticoagulante.
La insuficiencia cardíaca, por su parte, aparece cuando el corazón no consigue bombear sangre de manera adecuada o presenta dificultades para llenarse correctamente.
Existen diferentes formas de esta enfermedad, incluida la insuficiencia cardíaca con fracción de eyección preservada, en la que el corazón puede mantener una capacidad de contracción aparentemente normal y, aun así, presentar alteraciones importantes de funcionamiento.
El nuevo modelo no diagnostica automáticamente estas enfermedades a partir de una noche de sueño. Su función investigada es estimar probabilidades de eventos futuros mediante patrones identificados en el electrocardiograma.
La predicción mejoró al combinarse con factores de riesgo conocidos
Una de las preguntas centrales del estudio era si la inteligencia artificial podía aportar información adicional a los métodos tradicionales de evaluación cardiovascular.
Para comprobarlo, los investigadores analizaron el desempeño del modelo después de considerar variables como la edad, el sexo, el índice de masa corporal, la diabetes y la hipertensión arterial.
También incorporaron características relacionadas con el sueño, como la gravedad de la apnea, los despertares y la eficiencia del descanso.
Los resultados mostraron que la puntuación obtenida mediante el aprendizaje profundo mantenía valor predictivo incluso después de tener en cuenta esos factores.
Esto significa que los patrones eléctricos identificados por el sistema contenían información asociada con el riesgo cardiovascular que no quedaba completamente explicada por las variables clínicas convencionales incluidas en el análisis.
Gari Clifford, investigador de la Universidad Emory y del Instituto Tecnológico de Georgia, destacó que la incorporación de estas puntuaciones mejoró la predicción de resultados cardíacos respecto de la obtenida únicamente con factores de riesgo establecidos.
La observación es importante porque las herramientas preventivas deben demostrar que aportan información adicional a la que los médicos ya utilizan para evaluar a sus pacientes.
No obstante, una mejora estadística en la predicción no demuestra por sí misma que utilizar el sistema reduzca la aparición de enfermedades o las muertes cardiovasculares.
Para establecer ese beneficio sería necesario comprobar si las decisiones clínicas basadas en las puntuaciones del modelo mejoran efectivamente los resultados de salud.
Un electrocardiograma de una sola derivación podría facilitar su aplicación
El sistema analizado utiliza registros cardíacos obtenidos mediante una sola derivación, una configuración más sencilla que el electrocardiograma convencional de doce derivaciones utilizado en numerosas evaluaciones cardiológicas.
Esta característica podría facilitar su integración en estudios del sueño y, potencialmente, en dispositivos de registro más simples.
Los investigadores mencionan la posibilidad de utilizar parches de bajo costo para obtener información eléctrica del corazón durante una noche.
Sin embargo, la investigación se basó en registros de polisomnografía y no demuestra que cualquier dispositivo portátil pueda reproducir automáticamente los mismos resultados.
Las condiciones de adquisición de las señales, su calidad y la disponibilidad de información sobre las etapas del sueño son factores que deberán considerarse antes de trasladar el sistema a otros entornos.
El estudio también muestra una posible utilidad de la información que ya se recoge en los hospitales, pero que no siempre se explota con fines pronósticos.
En lugar de introducir necesariamente una prueba nueva, el enfoque busca extraer información adicional de un examen existente.
La predicción del infarto y el accidente cerebrovascular necesita mejoras
Los resultados no fueron igualmente satisfactorios para todos los desenlaces cardiovasculares.
Los autores señalaron que el modelo necesita una optimización adicional para mejorar la predicción de infarto de miocardio y accidente cerebrovascular.
Esta limitación es relevante porque ambos eventos representan problemas importantes de salud pública, pero tienen mecanismos y factores de riesgo que no necesariamente quedan reflejados de la misma manera en un electrocardiograma nocturno.
La capacidad de identificar patrones asociados con fibrilación auricular o insuficiencia cardíaca no implica que el sistema pueda predecir con idéntica precisión todas las enfermedades cardiovasculares.
Además, el estudio utilizó información retrospectiva de pacientes que ya habían sido sometidos a pruebas del sueño.
Por tanto, sus resultados no deben interpretarse como una validación general para toda la población.
Las personas derivadas a una polisomnografía pueden presentar características clínicas y factores de riesgo diferentes de los observados en individuos que no requieren este tipo de evaluación.
También será necesario estudiar cómo se comporta el modelo en poblaciones de otros países, sistemas sanitarios y grupos demográficos.
La investigación abre una vía para la prevención cardiovascular
El trabajo fue desarrollado por Zuzana Koscova y sus colaboradores, con participación de investigadores de la Universidad Emory, el Instituto Tecnológico de Georgia, Massachusetts General Hospital y Beth Israel Deaconess Medical Center, entre otras instituciones.
La investigación recibió apoyo de los Institutos Nacionales de Salud de Estados Unidos, conocidos como NIH.
David Goff, director interino del Instituto Nacional del Corazón, los Pulmones y la Sangre de Estados Unidos, señaló que este enfoque podría permitir identificar a personas con riesgo cardiovascular antes de que aparezcan manifestaciones clínicas evidentes.
También destacó que el siguiente paso importante consiste en determinar si esta información mejora los métodos tradicionales de predicción.
La posibilidad de anticipar riesgos resulta especialmente relevante en enfermedades que pueden desarrollarse durante años antes de producir síntomas reconocibles.
Sin embargo, identificar una puntuación elevada no equivale a diagnosticar una enfermedad y tampoco significa que el evento previsto vaya a ocurrir inevitablemente.
Los modelos pronósticos estiman probabilidades a partir de patrones observados en determinados grupos de pacientes.
Su interpretación debe considerar la historia clínica, los síntomas, los antecedentes familiares y los resultados de otras pruebas.
En personas con alteraciones del ritmo cardíaco, por ejemplo, la evaluación médica sigue siendo necesaria para distinguir entre manifestaciones benignas y señales que requieren investigación, como se explica en el análisis sobre las palpitaciones y sus posibles señales de alarma.
Los próximos estudios deberán comprobar su utilidad clínica
Los investigadores consideran que el análisis automatizado de electrocardiogramas nocturnos podría convertirse en una herramienta complementaria para evaluar el riesgo cardiovascular.
Su integración en la práctica clínica dependerá de nuevas investigaciones que examinen la precisión del modelo en diferentes poblaciones y su capacidad para contribuir a decisiones médicas útiles.
También será necesario establecer cómo deben interpretarse sus puntuaciones, qué umbrales justifican evaluaciones adicionales y qué intervenciones podrían beneficiar a los pacientes identificados como de mayor riesgo.
Una cuestión fundamental será comprobar si incorporar esta información a la atención médica permite prevenir eventos cardiovasculares y mejorar la supervivencia, en lugar de limitarse a clasificarlos estadísticamente.
Por ahora, el estudio demuestra que las señales eléctricas del corazón registradas durante el sueño contienen información asociada con determinados resultados cardiovasculares futuros.
El hallazgo amplía las posibilidades de utilizar datos clínicos existentes para mejorar la evaluación del riesgo, aunque todavía no modifica las recomendaciones habituales de diagnóstico, seguimiento y prevención cardiovascular.
Fuentes referenciales:
SLEEP — Prediction of cardiovascular outcomes using electrocardiography from overnight polysomnography
National Institutes of Health — Información sobre el estudio de electrocardiogramas nocturnos y riesgo cardiovascular
