Hadida Barzilai D, Sudri K, Goshen G, et al. Randomized Controlled Trials Evaluating Artificial Intelligence in Cardiovascular Care: A Systematic Review. JACC Adv. 2025;4(11 Pt 1):102152.
Más allá del entusiasmo tecnológico: evidencia sobre IA cardiovascular
La inteligencia artificial (IA) aplicada a la cardiología ha generado una literatura abundante, dominada durante años por estudios retrospectivos y validaciones técnicas frente a expertos. Sin embargo, la pregunta relevante para la práctica clínica y para la gestión sanitaria es si mejora los resultados clínicos cuando se integra en la atención real. La revisión sistemática de Hadida Barzilai et al., intenta abordar esta cuestión analizando los ensayos clínicos aleatorizados (RCTs) publicados hasta 2024.
Sólo 11 RCTs en un campo con más de un centenar de herramientas autorizadas. No es mucho. La mayoría se centran en aplicaciones sobre ECG, tomografía o ecocardiografía y evalúan desenlaces clínicos, diagnósticos u operativos. La heterogeneidad es considerable y no permite metaanálisis, pero revela que ya existe un cuerpo de evidencia aleatorizada sobre IA cardiovascular, aún limitado y fragmentario.
El ensayo que introduce resultados duros
Entre los estudios incluidos destaca (15.965 pacientes en 2 hospitales) el ensayo pragmático de Lin et al. (2024)(1). Los investigadores integraron en la práctica hospitalaria rutinaria un sistema de IA que analizaba de forma automática un ECG realizado al ingreso, estimaba el riesgo de mortalidad a corto plazo y generaba una notificación al equipo clínico cuando identificaba un perfil de alto riesgo, con el objetivo de intensificar la vigilancia y el tratamiento.
La lectura automatizada del ECG fue uno de los primeros terrenos donde la medicina experimentó con algoritmos capaces de reconocer patrones en señales biológicas digitalizadas. Desde los sistemas en los años 60 del pasado siglo, basados en reglas para detectar complejos QRS o arritmias, hasta las primeras redes neuronales aplicadas al reconocimiento electrocardiográfico, el ECG ha sido un laboratorio natural de la automatización clínica. En este caso, la IA no surge como una ruptura radical, sino como la evolución de medio siglo de procesamiento de señal y aprendizaje estadístico.
La diferencia es que en este ensayo el algoritmo no se limita a clasificar trazados sino que se integra en el circuito asistencial, genera «alertas» operativas y puede traducirse en cambios en resultados clínicos duros como la mortalidad. La intervención se asoció con una reducción de la mortalidad a 90 días (3,6% frente a 4,3%; HR 0,83; IC95% 0,70–0,99). En el subgrupo de alto riesgo el efecto fue mayor (HR 0,69; IC95% 0,53–0,90). Un efecto modesto y con el límite superior del intervalo rozando la unidad, pero probablemente importante en términos poblacionales.
La reducción de mortalidad se acompañó de un mayor ingreso en UCI y mayor utilización de ecocardiografía sugiriendo que la IA, incardinada en el circuito asistencial, desencadena una intensificación de la vigilancia y del tratamiento en pacientes seleccionados. El beneficio clínico parece derivar del cambio organizativo inducido por la alerta algorítmica más que de una sustitución del juicio clínico.
La efectividad no es una propiedad del algoritmo sino del ecosistema organizativo en el que opera
La revisión también muestra que varias intervenciones mejoran la detección precoz de disfunción ventricular o fibrilación auricular y optimizan tiempos o reducen la variabilidad diagnóstica. Sin embargo, los efectos sobre mortalidad o eventos mayores son menos frecuentes y de magnitud moderada. Esto sugiere que, en el estado actual, la IA aporta más valor como herramienta de apoyo diagnóstico y optimización de procesos que como intervención transformadora directa.
En todo caso, integrar una IA con alertas en un sistema asistencial no es trivial. La literatura sobre sistemas de early warning ha mostrado que el impacto depende de cómo se configuran las notificaciones, quién las recibe, cómo se priorizan y qué protocolos se activan tras la alerta. Una implementación deficiente puede derivar en fatiga de alertas, banalización del sistema y reducción progresiva de la adherencia clínica (2). La efectividad no es una propiedad del algoritmo sino del ecosistema organizativo en el que opera.
Rigor metodológico y gobernanza
La revisión también señala aspectos metodológicos de interés. Una proporción significativa de estudios presenta riesgo de sesgos relacionados con financiación o conflictos de interés. En un campo impulsado por innovación tecnológica e intereses comerciales, la evaluación independiente y rigurosa es especialmente necesaria.
El debate sobre IA en salud no puede reducirse a precisión diagnóstica o métricas técnicas. Como ha señalado Topol (3), el potencial de la convergencia entre inteligencia humana y artificial depende de cómo se integre en la práctica clínica y en la organización de los sistemas sanitarios, no solo de la capacidad predictiva del modelo.
La revisión de Hadida Barzilai et al., no demuestra que la IA haya transformado ya la cardiología. Pero sí que comienzan a existir ensayos pragmáticos que evalúan herramientas algorítmicas en condiciones reales. El reto ya no es validar si la IA “funciona” en términos técnicos, sino determinar si mejora resultados clínicos de forma consistente, sostenible y coste-efectiva sin generar nuevas ineficiencias o sobrecarga asistencial.
En cardiología, una especialidad históricamente anclada en la medicina basada en la evidencia, la IA empieza a someterse al mismo estándar que cualquier intervención: el ensayo clínico y la evaluación organizativa. Ahí es donde se jugará su verdadera aportación.
