Un modelo de inteligencia artificial desarrollado por investigadores de Scripps Research logró detectar y predecir distintas condiciones cardiovasculares mientras reducía sustancialmente la cantidad de casos previamente etiquetados necesarios para adaptarse a tareas clínicas específicas. ECG-CLIP fue preentrenado con más de 1,7 millones de electrocardiogramas (ECG) de 542.288 pacientes, vinculados con los respectivos informes elaborados por clínicos. Los resultados del estudio fueron publicados el 1 de septiembre de 2026 en The Lancet Digital Health.
El principal resultado no implica que el sistema haya sido desarrollado con pocos datos. Por el contrario, su fase inicial utilizó una base de entrenamiento de gran escala. La diferencia apareció posteriormente: al adaptar ECG-CLIP para reconocer enfermedades concretas, el modelo consiguió un rendimiento comparable al siguiente mejor sistema evaluado utilizando, en promedio, alrededor de 91% menos datos de entrenamiento etiquetados manualmente.
ECG-CLIP combina la señal eléctrica del corazón con información clínica
Los modelos convencionales de aprendizaje automático aplicados al ECG suelen depender de grandes conjuntos de registros previamente clasificados según la presencia o ausencia de una condición específica. Esta dependencia puede limitar su adaptación a nuevas enfermedades cuando existen pocos casos correctamente caracterizados.
ECG-CLIP fue diseñado como un modelo fundacional, una arquitectura entrenada inicialmente con grandes volúmenes de información para aprender representaciones generales que luego pueden reutilizarse en diferentes tareas. En este caso, los investigadores asociaron las señales de los electrocardiogramas con los informes clínicos correspondientes, en lugar de entrenar el sistema exclusivamente sobre las ondas del ECG.
El conjunto utilizado procedía del sistema GE MUSE de Scripps Health e incluyó registros obtenidos entre enero de 2008 y enero de 2019. El diseño buscaba aprovechar tanto la información contenida en el trazado eléctrico como el conocimiento incorporado en la interpretación realizada por profesionales de la salud.
La estrategia se diferencia de otros desarrollos de inteligencia artificial cardiovascular que se entrenan únicamente con señales electrocardiográficas. La aplicación de estos sistemas al ECG viene ampliándose progresivamente; CONSULTORSALUD ya había documentado otro uso de la inteligencia artificial aplicada al electrocardiograma orientado a detectar enfermedades estructurales del corazón.
El modelo fue evaluado en más de 800.000 electrocardiogramas
Tras completar el preentrenamiento, los investigadores compararon ECG-CLIP con modelos estándar y otros modelos fundacionales de ECG. Una de las evaluaciones utilizó un conjunto adicional de más de 800.000 electrocardiogramas para determinar su capacidad de identificar tres condiciones cardiovasculares: infarto agudo de miocardio, amiloidosis cardíaca y miocardiopatía hipertrófica.
Para medir el rendimiento se utilizó el área bajo la curva —AUC, por sus siglas en inglés—, una métrica que permite estimar la capacidad de un modelo para distinguir entre registros correspondientes a personas con y sin una determinada condición.
ECG-CLIP mostró un mejor desempeño que los modelos estándar en las tres tareas de detección evaluadas. El resultado que adquiere mayor relevancia para el desarrollo de nuevas herramientas clínicas fue su comportamiento cuando disminuía la cantidad de información previamente clasificada.
En promedio, el sistema igualó el rendimiento del siguiente mejor modelo entrenado con el conjunto completo utilizando alrededor de 91% menos datos etiquetados manualmente. La ventaja fue especialmente visible en escenarios con una disponibilidad muy reducida de casos positivos.
El rendimiento se mantuvo incluso con pocos casos positivos disponibles
Los investigadores llevaron el análisis a situaciones en las que solo había 10 ejemplos positivos de una determinada enfermedad disponibles para adaptar el modelo. En esos escenarios, ECG-CLIP mostró mejores resultados que tres modelos fundacionales entrenados con ECG, pero sin incorporar los informes de los clínicos durante su aprendizaje inicial.
La diferencia entre los modelos se redujo a medida que aumentaba la cantidad de casos etiquetados disponibles. El hallazgo apunta, por tanto, a una posible ventaja especialmente relevante cuando obtener grandes bases clínicas correctamente clasificadas resulta complejo.
Esto podría tener implicaciones para la investigación de enfermedades poco frecuentes. La creación de algoritmos especializados suele enfrentar un problema estructural: mientras las enfermedades prevalentes pueden generar miles de registros útiles para entrenamiento, las condiciones raras ofrecen un número considerablemente menor de casos confirmados y adecuadamente documentados.
Los resultados tampoco indican que diez pacientes sean suficientes para construir desde cero una herramienta diagnóstica. ECG-CLIP llegó a esas pruebas después de haber aprendido patrones generales a partir de más de 1,7 millones de ECG, una diferencia metodológica fundamental para interpretar adecuadamente el hallazgo.
¿Qué pudo detectar y predecir la inteligencia artificial a partir del ECG?
Además de identificar infarto agudo de miocardio, amiloidosis cardíaca y miocardiopatía hipertrófica, los investigadores analizaron la capacidad predictiva del sistema.
ECG-CLIP superó a los modelos comparadores al estimar la aparición futura de fibrilación auricular a partir de electrocardiogramas de 12 derivaciones que mostraban ritmo cardíaco normal en el momento del registro. El resultado sugiere que determinadas características de la señal podrían contener información que precede a la manifestación clínicamente detectable de la arritmia.
El modelo también obtuvo el mejor desempeño entre los sistemas evaluados para estimar la supervivencia a 30 días después de una atención en urgencias o una cirugía, así como la probabilidad de desarrollar enfermedad renal crónica o diabetes tipo 2 durante los tres años siguientes.
Otra prueba utilizó ECG de una sola derivación para detectar infarto agudo de miocardio. El modelo mantuvo un buen rendimiento en este escenario, un resultado que los autores consideran de interés para contextos donde no siempre se dispone de equipos convencionales de 12 derivaciones.
El equipo también incorporó mapas de saliencia para visualizar qué regiones del trazado contribuían con mayor peso a las predicciones. Esta aproximación intenta responder a uno de los desafíos persistentes de los modelos de inteligencia artificial clínica: comprender qué información utiliza el algoritmo para generar un resultado.
¿Está ECG-CLIP listo para utilizarse en la atención de pacientes?
Los resultados corresponden al desarrollo y validación de un modelo de inteligencia artificial y no establecen todavía un beneficio clínico directo derivado de su utilización en pacientes. El estudio no demuestra que ECG-CLIP disminuya mortalidad, reduzca errores diagnósticos, mejore desenlaces cardiovasculares o pueda sustituir la interpretación de un profesional.
Los investigadores señalaron que será necesaria una validación rigurosa mediante estudios clínicos prospectivos para determinar su aplicabilidad en entornos asistenciales reales. Esa etapa permitirá establecer cómo se comporta el sistema frente a poblaciones, instituciones, equipos y condiciones clínicas diferentes de aquellas utilizadas durante su desarrollo.
Entre las siguientes líneas de investigación se encuentra ampliar la información disponible para el modelo y estudiar su compatibilidad con distintos sistemas de registro, incluidos dispositivos portátiles. La posibilidad de trabajar con menos derivaciones también plantea escenarios futuros de monitorización remota, aunque estas aplicaciones deberán evaluarse antes de una eventual incorporación a la práctica clínica.
El aporte inmediato de ECG-CLIP está, por ahora, en demostrar que combinar grandes volúmenes de electrocardiogramas con la interpretación clínica asociada puede generar modelos capaces de adaptarse a nuevas tareas con una menor dependencia de conjuntos extensos de casos manualmente etiquetados. En investigación cardiovascular, esa característica podría ampliar las posibilidades de desarrollar herramientas para condiciones donde disponer de grandes bases de datos sigue siendo una de las principales barreras.
