Una red neuronal detecta con un ECG común a un grupo en el que mueren súbitamente el 7 % al año frente al 4,6 %
En Estados Unidos, más de 300 000 personas mueren cada año por paro cardíaco súbito, y los médicos saben poco sobre quién necesita un desfibrilador de antemano. Una red neuronal de Berkeley, entrenada con 440 000 electrocardiogramas suecos, identificó un grupo en el que el 7 % de los pacientes muere en un año; el criterio habitual, que mide cuánta sangre expulsa el corazón en cada latido, da un grupo con un 4,6 %. Para aplicarla basta con los ECG comunes del archivo hospitalario; no hace falta una nueva prueba. La validación en San Diego y Taipéi mostró que la señal funciona también fuera de Suecia. Alrededor de dos tercios de los desfibriladores implantados nunca llegan a activarse. Reunir los tres conjuntos de datos llevó unos 10 años.
Procesado por IA desde Science Daily AI; editado por Hamidun News
Imagine que tiene un sistema de alerta que debe señalar a los usuarios que están a punto de abandonar, pero se equivoca de personas y deja pasar los casos más graves. Así funciona hoy la medicina frente al paro cardíaco súbito. Existe un tratamiento: el desfibrilador implantable detiene una arritmia peligrosa mediante una descarga eléctrica.
Pero es casi imposible saber de antemano quién lo necesita. Investigadores de la Universidad de California en Berkeley entrenaron una red neuronal para buscar pistas en un electrocardiograma común y publicaron el resultado en la revista Nature. El grupo de pacientes que seleccionó la IA resultó ser más peligroso: en él, el 7 % de las personas muere al año por paro cardíaco súbito.
En el grupo formado según el criterio estándar de los médicos (qué tan bien bombea el corazón la sangre en cada contracción), esa cifra es del 4,6 %. Dicho de otro modo, la IA señaló con más precisión a quienes realmente corren peligro.
Por qué falla el cribado actual
En Estados Unidos, más de 300 000 personas mueren cada año por paro cardíaco súbito. No es un infarto: en el infarto se obstruye un vaso, mientras que aquí falla el sistema eléctrico que marca el ritmo del corazón. Alrededor del 90 % de las personas que sufren un paro fuera del hospital mueren en pocos minutos.
Hoy la decisión sobre el desfibrilador se basa sobre todo en el volumen de sangre que el corazón expulsa en cada latido. Si la bomba funciona por debajo de un umbral, el paciente se considera candidato a un implante. El método tiene dos debilidades. Primero, esa medición exige una prueba específica, y muchas de las futuras víctimas no se la hacen porque no tienen motivos de alarma. Segundo, en alrededor de dos tercios de los pacientes de alto riesgo con implante, el dispositivo no llega a activarse nunca. Unas personas soportan una operación invasiva y costosa sin beneficio, mientras otras mueren sin aviso.
Cómo se entrenó la red neuronal
El equipo de Ziad Obermeyer partió de seis años de ECG del sistema sanitario unificado de Suecia: más de 440 000 registros. Los cotejaron con los certificados de defunción. Así, el modelo distinguió tres grupos: personas sanas, personas con riesgos cardíacos conocidos y quienes murieron después de forma súbita por una causa cardíaca. El propio modelo aprendió a encontrar combinaciones de picos, ondas y otras características de la señal asociadas a un riesgo mayor.
Después, el algoritmo se probó con dos conjuntos independientes: dos años de ECG anonimizados del sistema hospitalario de San Diego y datos de Taipéi. Esto es importante, porque un modelo entrenado con población sueca podría simplemente haber memorizado particularidades de esa población. La prueba en Estados Unidos y Taiwán mostró que la señal hallada también funciona en otros países.
El algoritmo además identificó un grupo de riesgo más amplio: incluyó a miles de personas que las recomendaciones vigentes considerarían de bajo peligro. Y como le basta con los ECG que los hospitales ya registran, no hace falta un nuevo tipo de prueba.
Qué viene después y qué limitaciones tiene
Su aplicación rutinaria aún está lejos. Los autores trabajan con los sistemas sanitarios de Suecia, Taiwán y Estados Unidos para pasar el algoritmo por las bases de datos de ECG hospitalarios. El plan consiste en que los médicos contacten a los pacientes con puntuación alta y les propongan llevar un parche que registre de forma continua la actividad cardíaca. Esos datos ayudarán a entender qué procesos del corazón generan la señal y, en algunos pacientes, podrían justificar la implantación de un desfibrilador.
Hay también una advertencia honesta: los científicos todavía no saben qué cambia en el corazón para producir el patrón eléctrico que aprendió el modelo. Es una herramienta práctica y potente, pero aún no tiene explicación. Para su uso clínico harán falta estudios prospectivos y la aprobación de los reguladores.
Para la industria de la IA médica hay dos lecciones. La primera: el valor suele venir no de la arquitectura del modelo, sino del acceso a los datos. Obermeyer afirma que esos datos son «increíblemente difíciles de obtener». Reunir los tres conjuntos le llevó unos diez años, junto con los proyectos Dandelion Health y Nightingale Open Science, que ayudó a crear. La segunda: las señales médicas más baratas y habituales, como el ECG, pueden contener más información de la que ve el médico. Los equipos que desarrollan IA clínica deberían buscar aplicaciones en los archivos que ya tienen y comprobar siempre el modelo con datos de otros países y hospitales.
- 2 feb 2026Gemini 3 y el farol: por qué las redes neuronales ahora juegan al póker
- 2 may 2026PhenMap y el NHS: una IA señala a los pacientes con cáncer de intestino a quienes el bevacizumab no ayudará
- 16 jun 2026Una red neuronal local para vigilar los logs de servidores
- 27 oct 2026OpenAI y Anthropic afirman que su IA refutó la hipótesis ETH sobre la dificultad de ciertos problemas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué falla el cribado actual?
En Estados Unidos, más de 300 000 personas mueren cada año por paro cardíaco súbito. No es un infarto: en el infarto se obstruye un vaso, mientras que aquí falla el sistema eléctrico que marca el ritmo del corazón. Alrededor del 90 % de las personas que sufren un paro fuera del hospital mueren en pocos minutos. Hoy la decisión sobre el desfibrilador se basa sobre todo en el volumen de sangre que el corazón expulsa en cada latido.
Cómo se entrenó la red neuronal?
El equipo de Ziad Obermeyer partió de seis años de ECG del sistema sanitario unificado de Suecia: más de 440 000 registros. Los cotejaron con los certificados de defunción. Así, el modelo distinguió tres grupos: personas sanas, personas con riesgos cardíacos conocidos y quienes murieron después de forma súbita por una causa cardíaca. El propio modelo aprendió a encontrar combinaciones de picos, ondas y otras características de la señal asociadas a un riesgo mayor.
¿Qué se sabe sobre Qué viene después y qué limitaciones tiene?
Su aplicación rutinaria aún está lejos. Los autores trabajan con los sistemas sanitarios de Suecia, Taiwán y Estados Unidos para pasar el algoritmo por las bases de datos de ECG hospitalarios. El plan consiste en que los médicos contacten a los pacientes con puntuación alta y les propongan llevar un parche que registre de forma continua la actividad cardíaca. Esos datos ayudarán a entender qué procesos del corazón generan la señal y, en algunos pacientes, podrían justificar la implantación de un desfibrilador.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.