Un simple electrocardiograma podría convertirse en la herramienta más eficaz para predecir la muerte súbita cardiaca, una de las principales causas de fallecimiento en el mundo. Un equipo internacional de investigadores ha entrenado un modelo de deep learning con cientos de miles de trazados eléctricos del corazón y certificados de defunción en Suecia, y ha descubierto un biomarcador que supera con creces al método estándar que se utiliza hoy en las consultas.
La limitación de la fracción de eyección: el predictor que deja a la mayoría sin protección
Desde hace más de cuarenta años, la decisión de implantar un desfibrilador para prevenir arritmias letales se basa casi exclusivamente en la fracción de eyección del ventrículo izquierdo (LVEF, por sus siglas en inglés), un parámetro que mide el porcentaje de sangre que el corazón expulsa en cada latido. Cuando la LVEF está reducida, el riesgo de muerte súbita es alto y los desfibriladores pueden salvar vidas. Pero, como advierte el estudio que acaba de publicar Nature, la LVEF tiene un problema grave: la mayoría de las personas que mueren súbitamente no tenían una LVEF reducida y, de quienes sí la tienen, dos tercios de los desfibriladores que se implantan nunca llegan a disparar una descarga salvadora.
Estas limitaciones han llevado a los cardiólogos a buscar nuevas señales de alarma, sobre todo en pruebas más baratas y accesibles. El electrocardiograma (ECG), una prueba rutinaria que registra la actividad eléctrica del corazón en apenas unos minutos, siempre ha estado ahí, pero ningún marcador extraído de su trazado había logrado la precisión necesaria para competir con las imágenes de ultrasonido. Hasta ahora.
Cómo un algoritmo entrenado en Suecia encontró la aguja en el pajar del ECG
Los autores del trabajo, liderado desde instituciones suecas, construyeron una base de datos que vinculaba absolutamente todos los ECGs realizados en una región de Suecia durante años con los certificados de defunción y las historias clínicas electrónicas. Sobre ese conjunto, que incluía 262.554 electrocardiogramas de 75.157 pacientes, entrenaron una red neuronal profunda para predecir la muerte súbita de origen cardíaco en el año siguiente a la prueba.
El resultado fue un modelo con una capacidad de discriminación notable: un área bajo la curva ROC (AUC de 0,872), muy por encima de los predictores de riesgo cardiovascular convencionales. Pero el dato que realmente puede cambiar la práctica clínica es su capacidad para aislar un grupo de alto riesgo. Al fijar un umbral basado en los ensayos clínicos de desfibriladores, el modelo señaló al 2,2 % de los pacientes y en ese pequeño subgrupo la tasa anual de muerte súbita fue del 7,0 %, más alta que la observada en pacientes con LVEF reducida (1,9 % de la muestra; tasa anual del 4,6 %).
El modelo aísla un reducido grupo de pacientes (el 2,2 % de la muestra) con una tasa anual de muerte súbita del 7 %, mayor que la de aquellos con fracción de eyección reducida.
Además, el 86,1 % de los pacientes señalados por el algoritmo no había sido identificado como de alto riesgo por la LVEF, lo que sugiere que el biomarcador que el deep learning ha encontrado en el ECG captura una vulnerabilidad distinta y complementaria. Los investigadores también comprobaron que, entre los pacientes a los que sí se les había implantado un desfibrilador, la probabilidad de morir era un 54,4 % menor de la esperada, un indicio de que la intervención podría salvar vidas en este grupo.
Del laboratorio a tres continentes: la validación externa
Para comprobar que el modelo no era un hallazgo estadístico local, el equipo lo probó en dos bases de datos muy diferentes. En Estados Unidos, utilizaron todos los ECGs realizados en el sistema de salud Sharp HealthCare de San Diego entre 2021 y 2022 (251.858 trazados de 139.613 pacientes). Aunque allí no podían enlazar los certificados de defunción, sí observaron la incidencia de las arritmias ventriculares (fibrilación y taquicardia ventricular) que provocan la muerte súbita: el modelo predijo esos eventos de forma consistente.
En Taiwán, un registro hospitalario de casos y controles mostró que las predicciones se alineaban específicamente con las paradas cardíacas de origen arrítmico. En conjunto, la validación externa demostró que el biomarcador de ECG no depende de las peculiaridades del sistema sueco: la señal es robusta y reproducible.
Un biomarcador con forma y una hipótesis eléctrica que abre una nueva vía
Uno de los aspectos más fascinantes del estudio es que los científicos no se conformaron con una caja negra. Para entender qué estaba viendo el algoritmo, entrenaron un modelo generativo que crea electrocardiogramas sintéticos de alto riesgo. La imagen resultante reveló una morfología de onda que, según los autores, es fácilmente visible para un ojo entrenado, pero que nunca antes había sido descrita en la literatura médica como predictor de muerte súbita.
A partir de esa forma, y atando cabos con los principios electrofisiológicos del corazón, los investigadores formulan una nueva hipótesis sobre el mecanismo de la muerte súbita que aún debe ser contrastada en estudios prospectivos. De confirmarse, no solo tendríamos una herramienta de cribado barata y universal; también abriríamos una ventana a comprender por qué un corazón aparentemente sano colapsa sin previo aviso.
Más allá del algoritmo: ¿hacia un cribado universal de la muerte súbita?
El trabajo que publica Nature esta semana no es un ejercicio académico: sus conclusiones podrían traducirse en una integración relativamente sencilla en la práctica clínica. Los electrocardiogramas son la prueba cardiológica más extendida, estandarizada y barata del mundo, y un modelo de deep learning puede ejecutarse sobre cualquier trazado digital sin intervención humana. Es decir, el cribado podría implementarse de manera automática cada vez que un paciente se hace un ECG por cualquier motivo.
Eso sí, los propios autores reconocen las limitaciones. El estudio es observacional y retrospectivo; para demostrar que señalar a un paciente como de alto riesgo y actuar en consecuencia reduce la mortalidad se necesitaría un ensayo clínico aleatorizado que compare la estrategia con el estándar actual. Además, la definición de muerte súbita basada en certificados de defunción puede incluir casos no arrítmicos, aunque las validaciones con arritmias registradas atenúan esa incertidumbre.
Aun así, la magnitud del hallazgo es difícil de exagerar sin caer en la hipérbole. Cada año, cientos de miles de personas fallecen súbitamente por arritmias cardíacas en el mundo. Disponer de un biomarcador que funcione sobre una prueba de 10 euros y que detecte a quienes más se beneficiarían de un desfibrilador supondría un cambio de paradigma en la prevención cardiovascular. Por primera vez, el deep learning no solo promete ver lo que el ojo humano no ve: también promete sacar a la luz un patrón que siempre estuvo ahí.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: Un biomarcador en el electrocardiograma, extraído mediante deep learning, que predice la muerte súbita cardiaca con una tasa anual del 7 % en el grupo de alto riesgo, superando a la fracción de eyección estándar.
- Dónde: El modelo se entrenó con datos de Suecia y se validó externamente en sistemas de salud de Estados Unidos y Taiwán.
- Institución responsable: Equipo internacional liderado desde instituciones suecas, con participación de investigadores de Sharp HealthCare y de un registro hospitalario taiwanés. Estudio publicado en Nature.
- Cuándo: El artículo aparece en Nature esta semana (26 de junio de 2026).
- Impacto a futuro: Abre la puerta a un cribado automático y universal de la muerte súbita a partir de electrocardiogramas rutinarios, aunque requiere confirmación mediante ensayos clínicos prospectivos.
