Investigadores de la Universidad de Indiana desarrollan una puntuación de IA explicable para predecir complicaciones peligrosas de un ataque cardíaco

El autor principal, Khalid Youssef, investigador del Centro de Investigación de Imágenes Cardiovasculares del Instituto de Investigación de Imágenes Médicas de la Facultad de Medicina de la Universidad de Indiana, afirmó que la IA explicable proporciona a los cardiólogos intervencionistas una puntuación práctica e interpretable para evaluar qué pacientes tienen mayor riesgo de sufrir hemorragias internas en el músculo cardíaco y, posiblemente, la muerte.

INDIANÁPOLIS, INDIANA, EE.UU./ DIARIO DE SALUD. — Investigadores de la Facultad de Medicina de la Universidad de Indiana desarrollaron una puntuación clínica basada en inteligencia artificial explicable que permite estimar, antes de reabrir una arteria coronaria, el riesgo de que un paciente sufra una hemorragia dentro del músculo cardíaco.

El sistema fue probado con datos de 288 pacientes que habían sufrido un infarto de miocardio con elevación del segmento ST, conocido como STEMI o IMEST. Los resultados fueron publicados en julio de 2026 en la revista científica JACC: Advances.

Una lesión grave después de recuperar el flujo sanguíneo

La hemorragia intramiocárdica ocurre cuando pequeños vasos sanguíneos dañados permiten que la sangre se filtre dentro del tejido del corazón afectado por el infarto.

Puede aparecer después de la reperfusión, el procedimiento mediante el cual los médicos restablecen el flujo sanguíneo a través de una arteria obstruida. Aunque abrir la arteria rápidamente es indispensable para salvar músculo cardíaco y reducir la mortalidad, el tejido y los vasos lesionados pueden sufrir daños adicionales al recibir nuevamente sangre.

Esta complicación afecta aproximadamente al 40 % de los pacientes con un STEMI tratado mediante reperfusión y está relacionada con resultados clínicos desfavorables, incluidos un mayor riesgo de insuficiencia cardíaca y muerte.

Tres datos disponibles durante el cateterismo

El modelo emplea información que los profesionales ya pueden obtener durante una angiografía coronaria de emergencia, antes de realizar la intervención para desbloquear la arteria.

La herramienta toma en cuenta tres factores:

• La suma de la elevación del segmento ST registrada en el electrocardiograma.
• El grado de obstrucción de la arteria coronaria.
• La presencia o ausencia de circulación colateral, es decir, vasos alternativos capaces de llevar sangre al tejido afectado.

La inteligencia artificial seleccionó estas variables entre 12 posibles indicadores clínicos y angiográficos. Posteriormente, los investigadores transformaron el modelo informático en una escala práctica que va de cero a seis puntos.

Una puntuación de cuatro o más indica un riesgo elevado de hemorragia intramiocárdica, mientras que una puntuación de tres o menos se considera de menor riesgo según el umbral binario propuesto por los autores. La publicación también divide los resultados en tres categorías: riesgo bajo, de cero a dos puntos; intermedio, de tres a cuatro; y alto, de cinco a seis.

El riesgo aumentó con cada punto

Las resonancias magnéticas cardíacas detectaron hemorragia intramiocárdica en 142 de los 288 pacientes, equivalente al 49,3 % de la muestra.

La complicación apareció en el 13,5 % de los participantes clasificados entre cero y dos puntos, en el 53,8 % de quienes obtuvieron entre tres y cuatro, y en el 98,6 % de los pacientes con cinco o seis puntos.

Cada punto adicional estuvo asociado con un aumento de 2,9 veces en las probabilidades de presentar la hemorragia, según el análisis estadístico del estudio. Estos porcentajes describen la población investigada y no deben interpretarse como un pronóstico individual aplicable automáticamente a todos los pacientes.

Una precisión cercana al 85 %

De los 288 participantes incorporados al estudio MIRON-PREDICT entre junio de 2023 y diciembre de 2024, los investigadores utilizaron los datos de 252 para desarrollar el modelo y reservaron otros 36 para una validación prospectiva independiente.

En el análisis principal, la puntuación alcanzó:

Precisión: 84,9 %
Sensibilidad: 82,3 %
Especificidad: 87,3 %

En el grupo independiente de 36 pacientes, obtuvo una precisión del 83,3 %, una sensibilidad del 81,3 % y una especificidad del 85 %. La sensibilidad representa la capacidad de reconocer a quienes desarrollaron la complicación, mientras que la especificidad indica qué tan bien identificó a quienes no la presentaron.

El modelo original de redes neuronales alcanzó además un área bajo la curva, o AUC, de 0,92 en el conjunto interno de validación. Esta medida indica una elevada capacidad para diferenciar entre pacientes con y sin hemorragia, aunque no demuestra por sí sola que el sistema mejore la supervivencia o cambie favorablemente los resultados clínicos.

Una inteligencia artificial que muestra su razonamiento

Los autores emplearon un método denominado redes neuronales superponibles, o SNN por sus siglas en inglés.

A diferencia de numerosos sistemas de aprendizaje automático que funcionan como una “caja negra”, esta arquitectura suma por separado el aporte de cada variable y permite observar cómo influyó en la predicción final.

Khalid Youssef, profesor de investigación de Radiología y Ciencias de la Imagen de la Universidad de Indiana y autor principal del estudio, explicó que el valor de la herramienta es que “muestra el razonamiento que sustenta” la predicción y utiliza datos que ya se encuentran disponibles en el laboratorio de cateterismo.

El modelo no intenta ofrecer una explicación posterior de una decisión tomada por otra IA. Su estructura fue diseñada desde el principio para que cada factor y cada interacción clínica puedan rastrearse directamente, según detalla el artículo científico.

La resonancia magnética llega después

En la actualidad, la hemorragia intramiocárdica puede detectarse mediante una resonancia magnética cardíaca especializada con secuencias T2*. Sin embargo, este examen suele realizarse entre 48 y 72 horas después de la intervención coronaria.

La nueva puntuación busca estimar el riesgo antes de la reperfusión, cuando el cardiólogo todavía se encuentra en el laboratorio de cateterismo y dispone de los resultados del electrocardiograma y de la angiografía.

Keyur Vora, director de ensayos clínicos del Centro de Investigación de Imágenes Cardiovasculares de la Universidad de Indiana y coautor del trabajo, sostuvo que una IA clínicamente útil debe combinar precisión e interpretación. Según el especialista, reconocer temprano a los pacientes de alto riesgo podría facilitar una atención y una vigilancia posteriores más personalizadas.

No debe retrasar la apertura de la arteria

Los investigadores subrayan que la escala no fue creada para demorar la reperfusión, sustituir el criterio del cardiólogo ni decidir de manera automática el tratamiento.

Ante un STEMI, restablecer cuanto antes el flujo sanguíneo sigue siendo una prioridad médica. La puntuación podría funcionar como información adicional para intensificar la vigilancia, seleccionar a pacientes que necesitan una resonancia cardíaca o identificar candidatos para futuros ensayos destinados a reducir el daño por reperfusión.

Ankur Kalra, cardiólogo intervencionista y coautor del artículo, afirmó que la red SNN permite conocer con precisión qué factores impulsan la predicción, en lugar de pedir a los médicos que confíen en un resultado opaco.

Resultados prometedores, pero preliminares

La investigación presenta varias limitaciones. La cohorte total fue de 288 pacientes y el grupo de validación independiente incluyó solamente a 36. Tampoco se probó todavía que modificar el tratamiento de acuerdo con la puntuación reduzca la incidencia de hemorragia, insuficiencia cardíaca o muerte.

Rohan Dharmakumar, autor sénior y director ejecutivo del Instituto de Investigación de Imágenes Médicas de la Universidad de Indiana, señaló que el proyecto requirió la colaboración de especialistas en cardiología, intervenciones de emergencia, imágenes médicas e inteligencia artificial.

En el trabajo participaron investigadores de la Universidad de Indiana, la Universidad de Toledo, la Universidad de la Escuela de Medicina del Norte de Ontario, la Clínica Cleveland y la Universidad Médica Upstate de la Universidad Estatal de Nueva York.

Los autores consideran que el modelo demuestra la viabilidad de integrar una IA interpretable en una emergencia cardíaca real. Sin embargo, serán necesarios estudios multicéntricos más amplios para confirmar su rendimiento y determinar qué decisiones médicas deberían adoptarse ante cada nivel de riesgo.

Datos clave

Pacientes estudiados: 288

Casos de hemorragia intramiocárdica: 142

Modelo de desarrollo: 252 pacientes

Validación independiente: 36 pacientes

Variables utilizadas: elevación del segmento ST, grado de obstrucción y circulación colateral

Escala: de 0 a 6 puntos

Umbral de riesgo elevado: 4 puntos o más

Precisión principal: 84,9 %

Precisión en la validación independiente: 83,3 %

Estado actual: herramienta de investigación pendiente de validación en grupos mayores

Fuentes y autores de las declaraciones

Artículo científico: Khalid Youssef, Keyur P. Vora, Rajesh Gupta, Gabriel Gruionu, Andreas Kumar, Rishi Puri, Grant W. Reed, Ankur Kalra y Rohan Dharmakumar. “Predicting Intramyocardial Hemorrhage Before Reperfusion in STEMI Patients With Intrinsically Explainable Artificial Intelligence”. JACC: Advances, volumen 5, número 7.

Khalid Youssef: autor principal y profesor de investigación de Radiología y Ciencias de la Imagen de la Facultad de Medicina de la Universidad de Indiana.

Keyur Vora: coautor y director de ensayos clínicos del Centro de Investigación de Imágenes Cardiovasculares del Instituto de Investigación de Imágenes Médicas.

Ankur Kalra: coautor y cardiólogo intervencionista vinculado a SUNY Upstate Medical University y la Universidad de Indiana.

Rohan Dharmakumar: autor sénior, director ejecutivo del Instituto de Investigación de Imágenes Médicas y vicepresidente de investigación del Departamento de Radiología y Ciencias de la Imagen de la Universidad de Indiana.