- Un sistema de la Universidad de Málaga usa IA para detectar anomalías cardíacas en electrocardiogramas sin requerir grandes bases de datos etiquetadas.
- El modelo FADE se entrena solo con ECG sanos, predice la señal futura y localiza posibles arritmias, isquemias o infartos.
- La técnica alcanza alrededor de un 84% de precisión en la identificación de latidos anómalos y señales normales.
- El equipo trabaja para validar la herramienta en consultas reales y llevarla a dispositivos portátiles de monitorización continua.
El electrocardiograma forma parte del día a día en cualquier consulta de cardiología, pero detrás de esas líneas aparentemente rutinarias se esconde una enorme cantidad de información. Desde finales del siglo XIX, cuando Augustus D. Waller y más tarde Willem Einthoven empezaron a registrar de forma sistemática la actividad eléctrica del corazón y estructuras como el apex del corazón, esta prueba no ha dejado de perfeccionarse y hoy genera volúmenes masivos de datos en hospitales y centros de salud.
Es precisamente esa acumulación de registros la que está permitiendo un salto cualitativo: la aplicación de inteligencia artificial para detectar anomalías cardíacas de manera automatizada. En España, un equipo de la Universidad de Málaga está utilizando estas bases de datos para entrenar un sistema capaz de analizar electrocardiogramas y avisar de posibles problemas como arritmias, isquemia o infarto de miocardio antes de que el especialista tenga incluso el informe completo en sus manos.
De los primeros ECG a la era de la inteligencia artificial
Los primeros estudios de Waller y Einthoven supusieron un hito porque permitieron visualizar la actividad eléctrica del corazón en forma de trazado. Con el tiempo, esa representación gráfica se ha convertido en una prueba estándar, tan común que millones de electrocardiogramas se almacenan hoy en bases de datos digitales, desde historiales clínicos hasta grandes repositorios de investigación.
Esta enorme colección de señales, que durante años se usaba sobre todo para consulta puntual, se ha transformado en un recurso fundamental para entrenar algoritmos de aprendizaje automático. La clave está en que la IA puede detectar patrones sutiles en los ECG que a simple vista podrían pasar desapercibidos, sobre todo cuando el profesional sanitario se enfrenta a un gran volumen de pacientes en poco tiempo.
En este contexto surge el trabajo de un grupo de investigadores de la Universidad de Málaga (UMA), que ha diseñado un sistema de inteligencia artificial centrado específicamente en la detección de anomalías cardíacas en electrocardiogramas. Su propuesta busca complementar la labor del cardiólogo, ofreciendo una primera alerta automática basada en el comportamiento esperado de la señal.
El sistema ha sido desarrollado por el grupo Video and Image Processing (VIP) del Departamento de Arquitectura de Computadores de la UMA, en colaboración con especialistas del Laboratorio de Sistemas Embebidos de la École Polytechnique Fédérale de Lausana (Suiza). Esta cooperación combina experiencia en procesado de señales biomédicas con el diseño y optimización de modelos de IA, lo que ha permitido dar forma a una herramienta ajustada a las necesidades clínicas.
FADE: un modelo que aprende cómo late un corazón sano
Durante una estancia investigadora en Lausana, la especialista en procesado de imagen y vídeo Paula Ruiz Barroso comenzó a explorar cómo aplicar modelos de inteligencia artificial al análisis de bioseñales cardíacas. De ese trabajo conjunto surgió FADE, un sistema que utiliza técnicas de predicción para localizar alteraciones en el electrocardiograma.
La principal particularidad de FADE es la forma en que se entrena: en lugar de alimentarse con miles de ejemplos de patologías etiquetadas por cardiólogos, el modelo se nutre únicamente de electrocardiogramas considerados normales. Es decir, aprende primero qué aspecto tiene una señal sana, sin que nadie le indique explícitamente dónde están las anomalías.
Una vez que el algoritmo ha interiorizado ese patrón de normalidad, se emplea para predecir la señal futura del ECG. Cuando la señal real se desvía de lo que el sistema espera encontrar, se dispara la alerta de posible anomalía. Esta estrategia permite detectar de forma anticipada irregularidades compatibles con arritmias, procesos isquémicos o infarto de miocardio, sin necesidad de disponer desde el principio de una gran base de datos de casos patológicos etiquetados.
Para afinar la detección, el equipo establece un umbral de decisión que diferencia con mayor precisión entre señales normales y anómalas. Ese parámetro se ajusta usando un conjunto reducido de muestras en el que sí se conoce qué latidos son sanos y cuáles presentan alteraciones, de manera que el sistema tiene una referencia mínima para calibrar su sensibilidad.
Este enfoque supone una ventaja práctica importante: se reducen tiempos y costes ligados a la fase de etiquetado manual, ya que no es imprescindible que un especialista revise uno por uno miles de electrocardiogramas para que el modelo pueda empezar a funcionar. En entornos sanitarios con carga asistencial elevada, este punto puede marcar la diferencia a la hora de implantar soluciones basadas en IA.
Resultados: precisión alta en la detección de latidos anómalos
Una vez entrenado, FADE ha demostrado ser capaz de identificar latidos cardíacos anormales con un rendimiento notable. Según los datos difundidos por el equipo, el sistema alcanza una precisión media cercana al 84% en la detección de anomalías, y alrededor del 85% al clasificar correctamente señales de ECG normales.
Estas cifras sitúan al modelo a la altura —e incluso por encima— de muchos enfoques convencionales basados en la interpretación manual de los trazados. Aunque la decisión final sigue recayendo en el personal médico, disponer de un algoritmo que filtre de forma automática los registros y señale los que requieren una revisión más detenida puede facilitar la priorización de pacientes y reducir el riesgo de pasar por alto alteraciones sutiles.
Los resultados se han publicado en el estudio titulado “FADE: Forecasting for anomaly detection on ECG”, incluido en la revista científica Computer Methods and Programs in Biomedicine. En este trabajo se detalla tanto el diseño del modelo como su evaluación en diferentes conjuntos de datos, aportando una base sólida para futuras aplicaciones clínicas.
Una de las fortalezas más destacadas del enfoque malagueño es que no se limita a un número reducido de trastornos. Mientras que algunos sistemas se centran casi exclusivamente en variaciones de frecuencia, FADE es capaz de abarcar un espectro más amplio de irregularidades, incluyendo distintos tipos de arritmias y alteraciones que afectan a la morfología de la onda.
En la práctica, esto se traduce en un sistema más versátil, con potencial para integrarse en escenarios muy diversos, desde unidades de hospitalización hasta dispositivos de monitorización prolongada en pacientes con riesgo cardiovascular elevado.
Cómo funciona por dentro: dos rutas de análisis y aprendizaje morfológico
Más allá de los resultados, el interés de FADE reside en su arquitectura interna. El modelo utiliza un esquema con dos rutas de procesamiento paralelas, cada una especializada en capturar un tipo de información de la señal de electrocardiograma: una presta atención a los cambios más rápidos y la otra a las variaciones más lentas.
Esta doble vía se complementa con un componente adicional encargado de reconstruir el electrocardiograma futuro. La idea es sencilla pero potente: si el sistema sabe predecir con precisión cómo debería ser la señal en condiciones normales, cualquier desviación significativa entre la predicción y el registro real se convierte en un indicio de posible anomalía.
Para mejorar esa capacidad de predicción, el equipo ha desarrollado una forma de aprendizaje que tiene en cuenta la morfología específica de la onda del ECG. En lugar de tratar la señal como un todo homogéneo, el algoritmo diferencia entre los picos más pronunciados —como los complejos QRS— y la parte central o banda intermedia de la curva.
Al entrenar al sistema para que “intuya” por separado estas dos componentes, se consigue una reconstrucción más ajustada de lo que sería un electrocardiograma normal. De este modo, cambios pequeños pero clínicamente relevantes en la forma de las ondas resultan más fáciles de detectar para el modelo.
Otro factor clave es el uso de un doble entrenamiento con dos bases de datos distintas, que suman alrededor de 456 horas de grabaciones de señales cardíacas. Este procedimiento busca que el sistema no se quede “encerrado” en un único tipo de población o condiciones de registro, sino que sea capaz de adaptarse a contextos diferentes tras un reentrenamiento específico cuando se incorpora a un nuevo entorno.
Del laboratorio a la consulta: aplicaciones clínicas y retos
Una de las prioridades del grupo de la Universidad de Málaga es trasladar esta tecnología de la fase experimental a un uso habitual en entornos sanitarios reales. Para ello, los investigadores están ya en contacto con equipos médicos que puedan probar FADE en consulta, integrándolo en su rutina de trabajo con pacientes.
La idea sería que el sistema actuase como una especie de filtro inteligente que revise automáticamente los registros y señale qué electrocardiogramas presentan un patrón sospechoso. A partir de ahí, el especialista tomaría la decisión final, combinando la alerta automática con su propia experiencia clínica y la información del paciente.
A medio plazo, el equipo trabaja también en la posibilidad de incorporar este modelo de inteligencia artificial para detectar anomalías cardíacas en dispositivos portátiles. De lograrse, un paciente podría llevar consigo un aparato ligero que registre su ECG de manera continuada y que, gracias al algoritmo, emita avisos tempranos en caso de detectar irregularidades significativas.
Para avanzar en esa línea, uno de los retos es gestionar el ruido y las distorsiones que aparecen cuando la persona se mueve, realiza actividad física o se encuentra en entornos no controlados. El grupo estudia cómo depurar estas señales para que el dispositivo siga siendo fiable aunque las condiciones no sean tan ideales como en un hospital.
Desde el punto de vista institucional, el proyecto ha contado con apoyo de la Consejería de Universidad, Investigación e Innovación, del Ministerio de Ciencia e Innovación de España y de los fondos europeos Next Generation, lo que muestra la apuesta pública por soluciones tecnológicas orientadas a mejorar la prevención y el diagnóstico en cardiología.
Todo este desarrollo ilustra cómo la combinación de electrocardiogramas clásicos e inteligencia artificial abre una nueva etapa en la detección de problemas cardíacos: modelos como FADE, que aprenden primero el comportamiento de un corazón sano para después avisar de cualquier desviación significativa, pueden convertirse en aliados cotidianos de los profesionales sanitarios, ayudando a priorizar casos, ganar tiempo ante eventos graves y acercar la monitorización avanzada a un mayor número de pacientes, especialmente en España y en el resto de Europa.