Precisión y eficacia de las mediciones automáticas derivadas de la inteligencia artificial de la ecocardiografía transtorácica en la práctica clínica habitual

La ecocardiografía transtorácica (ETT) es la modalidad de referencia para evaluar la morfología, la función y la hemodinámica cardiacas en la práctica clínica. Muchos equipos modernos están siendo desarrollados con softwares que incorporan Inteligencia Artificial (IA) para diversos análisis automáticos. Aunque se espera que la IA contribuya a mejorar la precisión siendo algo que se está aplicando clínicamente, su impacto en la práctica clínica diaria no se ha evaluado por completo. El objetivo de este estudio era comparar la precisión y la eficiencia temporal de los exámenes rutinarios realizados con un sistema de ecografía equipado con una aplicación de IA.

---

---

Antecedentes

Cuando nos referimos a la “inteligencia” en un ámbito tecnológico, generalmente hablamos de la habilidad de un sistema para procesar la información disponible, aprender de ella, tomar decisiones y ajustarse a nuevas circunstancias. Esto conlleva una capacidad para resolver problemas de manera eficiente, en función de las condiciones y restricciones presentes. Por otro lado, el término “artificial” indica que la inteligencia de la que se habla no es propia de organismos vivos, sino que se genera a través de la programación y el desarrollo de sistemas computacionales⁽¹⁾.

La IA es una tecnología que permite que las computadoras simulen la inteligencia humana y las capacidades de resolución de problemas⁽¹⁾. En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, esto ha sido considerado como la primera inteligencia artificial, aun cuando todavía no existía el término. La IA no trata de crear conocimiento nuevo, sino de recopilar y procesar los datos para sacarles el mayor partido a la hora de decidir. Se apoya en tres pilares básicos:

• Los datos. Es la información recopilada y organizada sobre la que queremos automatizar tareas. Pueden ser números, textos, imágenes, etc.
• El hardware. Se trata de la capacidad de computación que nos permite procesar los datos a mayor velocidad y con mayor precisión para hacer posible el software.
• El software. Consta de un conjunto de instrucciones y cálculos que permiten entrenar sistemas que reciben datos, establecen patrones y pueden generar nueva información⁽²⁾.

La medicina avanza tan rápidamente que resulta casi imposible para los profesionales mantenerse al día. Además, la creciente carga asistencial y administrativa contribuye al agotamiento del personal y al aumento de errores médicos, poniendo en riesgo la seguridad del paciente. En este contexto, IA en medicina, que emplea algoritmos complejos para imitar el razonamiento humano y analizar datos clínicos, promete transformar profundamente la atención sanitaria, marcando un hito similar al de la imprenta en la medicina. Las tecnologías emergentes, como la IA y la robótica, están redefiniendo las prácticas médicas, especialmente en áreas automatizables como diagnóstico por imagen y análisis de piel, mientras que disciplinas como la salud mental y la rehabilitación seguirán dependiendo de la interacción humana⁽³⁾.

Algunas de las ventajas actuales de la IA son la integración de la información, la automatización de actividades repetitivas, la identificación de errores de prescripción y de efectos adversos a fármacos, y el aumento de la autonomía de los pacientes para el tratamiento de padecimientos frecuentes y de bajo riesgo de complicaciones. En cardiología, el uso de la IA se ha estudiado en la predicción de hipertensión esencial, la detección de fibrilación auricular por relojes inteligentes, la clasificación de estenosis aórtica por análisis de señales cardiomecánicas en sensores inalámbricos portátiles, la clasificación de arritmias mediante electrocardiograma de una sola derivación, etc.⁽³⁾

La integración de la IA en la ecocardiografía y la cardiología supone un cambio de paradigma hacia una atención cardíaca más eficiente, precisa y estandarizada. Sus aplicaciones abarcan la adquisición de imágenes, la interpretación en tiempo real, el diagnóstico y la evaluación del pronóstico, todo lo cual contribuye a mejorar la atención al paciente. En su forma más típica, la IA se ha empleado para simular la cognición experta en la identificación precisa de anomalías estructurales existentes, o para automatizar y mejorar tareas convencionales, como la estimación de la fracción de eyección (FE) y la deformación longitudinal global (GLS) a partir de imágenes de ecocardiografía. A medida que la IA continúa evolucionando, se espera que su papel en la mejora de las evaluaciones ecocardiográficas se amplíe, transformando aún más el diagnóstico cardíaco y la planificación del tratamiento^(4,5).

En cuanto tecnologías de IA aplicadas a la ecocardiografía:

1. Aprendizaje automático (AA) y Aprendizaje profundo (ADP) en ecocardiografía.
   Ambos subconjuntos de la IA han revolucionado la ecocardiografía al permitir el análisis e interpretación automatizados de imágenes. En el caso del aprendizaje automático puede subdividirse en tres tipos principales como lo son el aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo⁽⁴⁾.
2. Aprendizaje profundo.
   Se inspira en la estructura del cerebro humano. Utiliza redes neuronales artificiales (NN), que son capas interconectadas de unidades de procesamiento llamadas neuronas. El AA destaca en tareas que involucran datos sin procesar, como señales, imágenes y texto, donde puede capturar diferencias sutiles que podrían eludir los métodos tradicionales. Las arquitecturas y subcampos populares del AA incluyen:
   • Redes neuronales convolucionales (RNC) para el reconocimiento de imágenes, particularmente adecuadas para analizar exploraciones médicas para detectar anomalías.
   • Redes neuronales recurrentes (RNN) para datos secuenciales, útiles para tareas como el análisis de patrones de ritmo cardíaco en señales de ECG.
   • El procesamiento del lenguaje natural (PLN) permite a las computadoras comprender y procesar el lenguaje humano. En el ámbito sanitario, el PLN puede emplearse para analizar historiales médicos o conversaciones entre pacientes y médicos. Los modelos de lenguaje de gran tamaño (AT), como ChatGPT de OpenAI y Gemini de Google, representan avances en PLN, entrenados con datos de texto masivos para generar respuestas similares a las humanas. Si bien aún no se han generalizado en cardiología, estos modelos son prometedores para tareas como resumir investigaciones o generar informes de salud⁽⁵⁾.

Zhang et al. (2018) presentaron el primer sistema de interpretación de ecocardiogramas multitarea totalmente automatizado, diseñado para optimizar el diagnóstico y el tratamiento clínicos. En su investigación, se desarrolló específicamente un modelo de red neuronal convolucional para la clasificación de las vistas ecocardiográficas. Utilizando datos del modelo de segmentación, las dimensiones de la cámara se calcularon con precisión de acuerdo con las pautas ecocardiográficas establecidas. Este innovador modelo categorizó con éxito 23 vistas distintas; segmentó meticulosamente las estructuras cardíacas; evaluó la fracción de eyección del ventrículo izquierdo (FEVI); y diagnosticó tres afecciones cardíacas específicas: miocardiopatía hipertrófica, amiloide cardíaco e hipertensión arterial pulmonar. En este estudio destacaron las capacidades avanzadas de la IA para mejorar la precisión y la eficiencia del análisis ecocardiográfico⁽⁶⁾.

La evaluación de la FEVI y GLS ha demostrado ser prometedora para la predicción de eventos cardiovasculares adversos. O'Driscoll et. Al (2023), en su trabajo sobre la IA calcula la GLS y la FEVI para predecir eventos cardíacos y mortalidad por todas las causas en pacientes con dolor torácico, concluye que la extensa implementación de la tecnología de IA posee el potencial de generar un efecto considerable en los resultados clínicos y en el flujo de trabajo, mediante una mejora en la estratificación de riesgos de pacientes que experimentan dolor torácico, la rápida cuantificación de medidas técnicas que requieren mucha mano de obra, y la disminución de los gastos en atención médica⁽⁷⁾.

Cirillo et. Al (2025), realizaron una revisión sistemática en las bases de datos MEDLINE/PubMed, EMBASE y Cochrane para identificar estudios relevantes sobre ecocardiografía, resonancia magnética cardíaca (RMC) y tomografía computarizada cardíaca (TCc). Se incluyeron treinta estudios en esta revisión. De ellos, 14 se centraron en ecocardiografía, 15 en RMC y uno en TCc. En cuanto a los métodos de IA aplicados, el 79 % de los estudios en ecocardiografía utilizaron ADP, el 64 % emplearon RNC y el 21 % aplicaron algoritmos tradicionales de AA. En los estudios de RMC, el 53 % utilizaron ADP, el 27 % se basaron en RNC y el 47 % adoptaron métodos tradicionales de AA. Todos los estudios mostraron un buen rendimiento diagnóstico, pero aquellos que aplicaron herramientas de IA para determinar las causas subyacentes de la RN mostraron las métricas de precisión más altas en comparación con aquellos centrados en la detección de la HVI en sí. A pesar de que se están desarrollando modelos de IA diseñados para detectar y diferenciar la hipertrofia ventricular izquierda (HVI) en imágenes cardíacas, con resultados prometedores aún se requieren más estudios centrados en la validación de estos modelos en situaciones reales y análisis de coste-efectividad⁽⁸⁾.

El diagnóstico de la miocardiopatía amiloide de transtiretina (ATTR-CM) requiere imágenes avanzadas, excluyendo pruebas preclínicas a gran escala. La ETT y la electrocardiografía (ECG) habilitadas por IA, pueden proporcionar una estrategia escalable para el monitoreo preclínico. Oikonomou et. Al (2025), realizó un análisis retrospectivo de individuos derivados para pruebas nucleares de amiloide cardíaco en el Sistema de Salud Yale-New Haven (YNHHS, cohorte interna) y los Hospitales Metodistas de Houston (HMH, cohorte externa). Se implementaron modelos de aprendizaje profundo entrenados para discriminar ATTR-CM de controles emparejados por edad/sexo en videos de ETT (IA-Eco) e imágenes de ECG (IA-ECG) para generar probabilidades de ATTR-CM a nivel de estudio (0-100%). Se examinaron las tendencias longitudinales en las probabilidades derivadas por IA mediante modelos lineales mixtos ajustados por edad/sexo, y se evaluó su discriminación de la enfermedad futura en diferentes etapas preclínicas. Demostró que la ecocardiografía y la electrocardiografía habilitadas con IA pueden permitir una estratificación de riesgo escalable de ATTR-CM durante su curso preclínico⁽⁹⁾.

Tromp et al. (2022) desarrollaron un flujo de trabajo integral automatizado de IA. Este sistema, experto en la clasificación, segmentación e interpretación de modalidades bidimensionales y Doppler, se basó en amplios conjuntos de datos internacionales e interraciales, mostrando una eficacia notable en la evaluación de la FEVI con una gran precisión diagnóstica⁽¹⁰⁾.

Narula et. Al (2016) investigó el valor diagnóstico de un marco de aprendizaje automático que incorpora datos ecocardiográficos de seguimiento de motas para la discriminación automática de la miocardiopatía hipertrófica (MCH) de la hipertrofia fisiológica observada en atletas (ATH). Concluyen que los algoritmos de aprendizaje automático pueden ayudar a distinguir entre patrones fisiológicos y patológicos de remodelación hipertrófica. Este esfuerzo representa un avance hacia el desarrollo de un sistema en tiempo real basado en aprendizaje automático para la interpretación automatizada de imágenes ecocardiográficas, lo que podría ser útil para lectores principiantes con poca experiencia⁽¹¹⁾.

La ecocardiografía es una herramienta diagnóstica fundamental en cardiología, permite una evaluación no invasiva de la estructura y función cardíaca. En gran medida depende su interpretación de la experiencia del operador y la calidad de la ventana obtenida durante su realización, lo que genera gran variabilidad en los resultados y limita su accesibilidad en áreas con escasos especialistas. Los avances médicos cada día se hacen más notorios y hoy por hoy la IA ha emergido como una tecnología transformadora en el ámbito de salud, ofreciendo la oportunidad de mejorar la precisión, eficacia y estandarización de los estudios, en este caso la ecocardiografía.

Se ha visto en varios estudios realizados que la IA permite por medio de sus algoritmos analizar estudios ecocardiográficos con alta reproducibilidad, que ha permitido diagnosticar enfermedades, estratificar riesgos, agilizar mediciones rutinarias, lo que se traduce en optimizar tiempo y flujo de trabajo, así como facilitar diagnósticos oportunos. Por lo cual este estudio busca comparar la precisión y la eficiencia temporal de los exámenes rutinarios realizados con un sistema de ecografía equipado con una aplicación de IA.

---

Resumen del trabajo elegido

Se hizo la revisión de un estudio titulado Precisión y Eficacia de las mediciones automáticas derivadas de la IA de la ecocardiografía transtorácica en la práctica clínica habitual.

Actualmente existe un incremento de las enfermedades cardiovasculares en nuestra sociedad, de cualquier índole, destacando origen isquémico, oncológico entre otros. Cada día es mayor el requerimiento de realizar Ecocardiografía en la práctica clínica y su alta demanda y aunado a la falta de personal especializado condiciona aumento de los tiempos de espera y retarda el diagnóstico oportuno.

No solo se observa el tamaño y FEVI, sino se evalúa la función ventricular derecha y del Strain longitudinal global mediante el Speckle-tracking, siendo más complejo y con una comprobación de dichos parámetros que debe ser más minuciosa. Una de las variables que influye en los resultados de los estudios de ecocardiografía es el Operador.

Los avances tecnológicos en Medicina de estos años han permitido que los nuevos equipos de Ecocardiografía vengan incorporados con sistemas de medición automática asistida por IA, lo que promete mejorar la precisión de los exámenes y las diferencias interobservador. Es por esto que los investigadores plantearon hacer un estudio retrospectivo que comparara la precisión y la eficiencia temporal de los exámenes rutinarios realizados con un sistema de ecografía equipado con una aplicación de IA.

Se incluyeron un total de 49 pacientes, examinados con el transductor EPIQ CVx, X5-1c del equipo Phillips Healthcare Ultrasound LLC equipado con IA, entre el 15 de diciembre de 2022 y 6 de enero de 2023 en el Hospital Médico Universitario St Marianna. Exluyeron 19 pacientes por: Fibrilación auricular (FA) [9 casos], frecuencia de contracciones ventriculares prematuras (PVC) [1 caso], implantación de marcapasos (1 caso), ausencia de imágenes registradas en el análisis (6 casos) y difícil de delimitar (1 caso), por lo que al final solo se incluyeron 30 casos. Para entrenar y validar el algoritmo de IA utilizaron datos de adultos sanos y con diversas cardiopatías, con enfoque multicentrico nacional e internacional (incluyo varios continentes). Las ecocardiografías bidimensionales y Doppler se realizaron de acuerdo las Guías de la Sociedad Americana de Ecocardiografía.

Las mediciones incluyeron imágenes de:

1. Eje Largo paraesternal: ventrículo Izquierdo (LVI), septum interventricular (SIV), Pared Posterior de ventrículo izquierdo (PPVI),
2. Diámetro telediastólico del VI (DTDVI) y diámetro diastólico del VI (DdVI)
3. Velocidad de Flujo Mitral (E, A y E/A) mediante Doppler pulsado
4. Tiempo de desaceleración (TD)
5. Diámetro del tracto de salida del VI (TSVI)
6. Velocidad integral en el tiempo (VTI)
7. Doppler tisular: de las formas de onda de velocidad del anillo mitral septal e' y a', y velocidades del anillo mitral lateral e' y a' mediante.

Para medir los valores integrados en el tiempo (VTI-velocidad integral en el tiempo) y la velocidad pico, medición mediante Doppler tisular de las formas de onda de la velocidad del anillo mitral septal e' y a', y velocidades del anillo mitral lateral e' y a' mediante Doppler tisular. Las mediciones automáticas se realizaron utilizando un software de análisis automático diseñado con algoritmos basados en IA, para los mismos parámetros que en las mediciones manuales.

Es interesante la manera como llevaron a cabo la toma de las mediciones:

1. Manuales: DTDVI, SIV y PPVI, tomaron 3 mediciones justo después del cierre de la válvula mitral o en el pico de la onda R del ECG al final de la diástole, justo debajo de la valva de la válvula mitral y perpendicular al borde endocárdico del tabique ventricular y la pared posterior.
2. DdVI medido cuando el VI era más pequeño justo antes de que la válvula mitral se abriera durante la diástole.
3. Las velocidades de entrada mitral se midieron a partir de las formas de onda registradas para la onda E (diástole temprana), la velocidad de la onda A (sístole auricular) y el tiempo de desaceleración de la onda E.
4. Las formas de onda de la velocidad del anillo mitral se midieron a partir de las formas de onda registradas en los lados septal y lateral del anillo mitral, midiendo las velocidades e' (diástole temprana) y a' (sístole auricular), respectivamente.
5. Se trazó la velocidad del TSVI y se midieron la VTI y la velocidad pico del flujo del TSVI.

En cuanto a la función automática se entrenó para predecir los valores medidos para todos los elementos utilizando un algoritmo de acuerdo con las directrices de la Sociedad Americana de Ecocardiografía, y el ajuste de la fase temporal y la medición se realizaron automáticamente cuando se pulsó el botón del panel para cada elemento de medición. En el caso de la DTDVI, el SIV, la PPVI y la DdVI, la fase temporal se estableció automáticamente al final de la diástole o al final de la sístole, según correspondiera.

En la siguiente imagen es un resumen de algunos casos, entre ellos aquellos con medición automática, otros que necesitaron corregirse y otros que no lo ameritaron.

---

Figura 1. Casos representativos donde fue posible la medición completamente automática (A, C) y casos donde fue necesaria la corrección (B, D). (A) presentó buena calidad de imagen y no requirió corrección. (B) presentó mala calidad de imagen y la posición de medición no capturó los límites del ventrículo izquierdo, por lo que se realizó una corrección. (C) No se realizó corrección. (D) Se realizaron correcciones porque no se capturaron los límites de la forma de onda Doppler pulsada.

---

Para buscar la reproducibilidad durante la ejecución del estudio se buscó disminuir el sesgo entre las mediciones fuesen manuales o automáticas, realizándose con al menos dos días de diferencias. Tres investigadores comprobaron la reproducibilidad de todas las mediciones manuales y automáticas de todos los casos y todos los parámetros. Todas las mediciones también fueron realizadas por tres ecografistas con diferentes años de experiencia ecocardiográfica: un principiante con menos de un año de práctica, un técnico intermedio con menos de cinco años y un experto con más de 20 años. También se buscó reproducir las mediciones interobservador utilizando las mediciones manuales y automáticas en todos los casos. Dos investigadores analizaron de forma independiente las mismas imágenes. Estos investigadores desconocían los resultados del otro y todas las demás mediciones anteriores. Un dato curioso es que cada investigador registró el tiempo que empleó para hacer el examen. En cuanto al análisis estadístico las variables continuas se expresaron como mediana y rango intercuartil. Se usó el coeficiente de relación de rangos de Spearman y el método de Bland- Altman para investigar el error de medición entre las que fueron manuales y las automáticas. El valor de P < a 0,05 se consideró significativo. Los análisis estadísticos se realizaron con GraphPad Prism versión 10.1.0 para Mac OS.

En la siguiente tabla se resumen las características basales de los pacientes que formaron parte del estudio.

---

VTDVI: volumen telediastólico del ventrículo izquierdo; VTSVI: volumen telesistólico del ventrículo izquierdo, FEVI: fracción de eyección ventricular izquierda, VAI: volumen indexado de aurícula izquierda

Tabla 1. Características basales.

---

Cabe destacar que sólo el 16% eran hombres [53%], edad media de 72 años y dentro de los diagnósticos que más predominaron fueron valvulopatías [40%] seguido de miocardiopatía isquémica y no isquémica [10% respectivamente].

Al comparar las mediciones manuales vs las automáticas destaca lo siguiente:

1. DTDVI y DdVI, las mediciones automáticas mostraron valores ligeramente menores que las manuales, pero fueron coherentes (p < 0.001), sesgo de -2,41 mm para las DTDVI y -1,19 mm.
2. Los coeficientes de relación para SIV y PPVI fueron ligeramente inferiores con tendencia a incrementar su grosor las mediciones automáticas.
3. En el caso de las ondas E y A de la velocidad de entrada del VI, hubo concordancia muy elevada entre ambas mediciones. Según el análisis de Bland-Altman [onda E: 1,37 cm/s; onda A: 0,08 cm/s].
4. En el caso del TD y Doppler tisular mostraron un alto grado de concordancia en ambas mediciones [coeficiente de correlación >0,832].
5. Los valores de VTI y velocidad máxima mostraron también concordancia muy elevada con las mediciones [VTI: r=0,982; velocidad máxima: r=0,972] y el sesgo del análisis de Bland-Altman fue muy pequeño [VTI: -0,13; velocidad máxima: 2,87cm/s]
6. Un hallazgo relevante es que mientras mejor es la calidad de la imagen se mejora la calidad de la medición automática.
7. Los coeficientes de correlación fueron elevados con p<0,05 para todas las mediciones, esto indica que hay concordancia estadísticamente significativa entre las mediciones manuales de expertos y las automáticas de los intermedios y principiantes.

En la figura 2 se muestra los tres grupos de operadores y la duración del examen en cada uno. Los colores representan la calidad de la imagen obtenida.  En rojo una calidad deficiente, en amarillo regular y en azul buena. Operadores intermedios y expertos para todas las calidades de imagen en manual una mediana de 120,0 [105,0–205,5] segundos para mala calidad de imagen, 121,5 calidad de imagen regular y 124,5 [104,3–146,8] ms para buena calidad de imagen. Las mediciones automáticas tomaron menos tiempo que las mediciones manuales: calidad, 84 [72–105] s; calidad de imagen regular, 97 [79–114] s; y buena calidad de imagen s. Para operadores intermedios, las mediciones automáticas tomaron significativamente menos tiempo para buena calidad de imagen que las mediciones manuales. Para los expertos, las mediciones automáticas redujeron el tiempo de medición en comparación con las mediciones manuales, y similar a la calidad intermedia mejoró, también lo hizo el tiempo de medición con calidad de imagen automática, 83,0 [55,5–95,0] s; Calidad de imagen aceptable, 55,0 [49,0–78,0] calidad, 52,3 [41,5–67,8] s).

---

Figura 2. Comparación de la duración del examen en cada nivel de investigadores. Los expertos y principiantes han reducido el tiempo de examen con la medición automática en comparación con la medición manual, pero no se ha observado ninguna diferencia de tiempo de examen entre ambos métodos para los operadores intermedios.

---

---

Discusión

Ha sido un estudio muy interesante incluso pudiera considerarse pionero dado que evalúa la exactitud de las mediciones automatizadas de la ETT asistidas por lenguaje de gran tamaño (LLM) disponibles en el mercado actual y sus implicaciones en el ámbito clínico. La investigación arroja hallazgos relevantes que merecen ser discutidos en profundidad, dado el potencial transformador que estas tecnologías pueden tener en la práctica ecocardiográfica.

Uno de los principales resultados del estudio es la notable precisión observada en los distintos parámetros ecocardiográficos al utilizar sistemas automatizados entrenados con IA. En particular, se destacó que la ecocardiografía Doppler presenta una concordancia significativamente alta con las mediciones manuales tradicionales, lo que reafirma la viabilidad de la IA para proporcionar resultados confiables en evaluaciones clínicas. La capacidad de estas herramientas para estandarizar las mediciones surge como un aspecto crucial que no solo incrementa la precisión, sino que también minimiza las diferencias que pueden surgir debido a la variabilidad entre distintos observadores, sea cual sea su nivel de experiencia.

En contraste con las mediciones manuales, las mediciones automáticas lograron mantener una concordancia superior, especialmente en índices Doppler, donde se alcanzó un coeficiente de correlación notablemente alto (r>0,99). Este hallazgo indica que la IA no solo está revolucionando el campo de la ecocardiografía, sino que también proporciona una base sólida para la confianza en los diagnósticos que se sustentan en estas evaluaciones.

Comparándolo con el estudio realizado por Zhang et al. (2018) en dónde usaron 14035 ecocardiogramas durante 10 años, (en este caso sólo fue prácticamente un mes), entrenaron y evaluaron modelos de RNC para múltiples tareas, incluida la identificación automatizada de 23 puntos de vista y la segmentación de cámaras cardíacas a través de 5 vistas comunes. Finalmente, desarrollaron modelos para detectar 3 enfermedades: miocardiopatía hipertrófica, amiloide cardíaco e hipertensión arterial pulmonar. Concluyeron que las RNC identificaron con precisión las vistas (por ejemplo, el 96 % para el eje largo paraesternal), incluida la marcación de cámaras cardíacas parcialmente oscurecidas, y permitieron la segmentación de cámaras cardíacas individuales avanzadas de la IA para mejorar la precisión y la eficiencia del análisis ecocardiográfico⁽⁶⁾, como dato relevante este equipo de ecocardiografía más moderno venia equipado con un sistema de IA que fue entrenado con datos de adultos sanos y enfermos de manera multicultural e internacional, algo similar a lo que hizo Tromp et. Al (2016)⁽¹⁰⁾ con un sistema automatizado de IA y datos internacionales e interraciales donde demostró una buena efectividad diagnóstica en la medición de la FEVI. Esto cobra importancia estadística porque hace que los sistemas de IA puedan detectar diferencias entre individuos de acuerdo a sus datos demográficos, haciéndolo mucho más específico y confiable al extrapolar los datos analizados.

Otro aspecto muy llamativo del estudio es la reducción del tiempo necesario para realizar las evaluaciones ecocardiográficas. Las mediciones automáticas permitieron disminuir dicho tiempo en comparación con las técnicas manuales, un hecho que sugiere una mayor eficacia en la realización de estos exámenes. La notable mejora fue especialmente evidente entre los profesionales menos experimentados, lo que abre la puerta a una incorporación más amplia de la IA en entornos clínicos donde el tiempo es un recurso crítico y no exista personal altamente calificado. Esto me hace recordar que Narula et. Al (2016) en su investigación demostró que los sistemas de IA basados en AA es útil para lectores con poca experiencia, sobre todo como ayuda a distinguir entre patrones fisiológicos y patológicos de remodelación hipertrófica⁽¹¹⁾.

La habilidad de los operadores expertos para reducir sus tiempos de examen al emplear mediciones automatizadas subraya cómo la experiencia puede complementarse eficazmente con la IA. Al optimizar los plazos y permitir a los expertos trabajar de manera más rápida, se espera que esto no solo mejore la productividad, sino que también enriquezca la calidad general de la atención al paciente.

Otros estudios han apoyado esta tendencia a la reducción del tiempo de medición, indicando que el uso de plataformas automatizadas puede no solo hacer el proceso más eficiente, sino también liberar tiempo valioso para otras responsabilidades clínicas. Este impacto en la eficiencia es particularmente crítico hoy en día, cuando la demanda de pruebas diagnósticas crece constantemente y los profesionales buscan maneras de maximizar su tiempo y recursos⁽⁷⁾.

Un elemento fascinante de los resultados obtenidos es la reducción de la variabilidad interobservador que se logra mediante la adopción de mediciones automatizadas. Este resultado es de suma importancia, ya que la variabilidad en los resultados ecocardiográficos puede afectar la calidad del diagnóstico y el tratamiento posterior. La IA se presenta, por tanto, como una herramienta no solo para la mejora de la precisión, sino también para la formación y educación de los técnicos menos experimentados.

El estudio presenta evidencias de que tanto expertos como principiantes se beneficiaron de esta estandarización. La IA se podría considerar no solo como un asistente en el proceso de diagnóstico, sino también como un recurso educativo. Su capacidad para suministrar mediciones precisas puede servir como guía para que los novatos aprendan y perfeccionen sus habilidades en ecocardiografía, optimizando no únicamente su velocidad, sino también su certeza clínica.

Es importante señalar que, aunque los resultados favorecen el uso de mediciones automatizadas, la calidad de la imagen sigue siendo un factor determinante. El estudio indica que la eficacia del algoritmo de medición automática se ve incrementada con imágenes de alta calidad, mientras que imágenes de menor calidad requieren más correcciones y derivan en un aumento del tiempo necesario para la medición. Este hallazgo advierte sobre la necesidad de mantener altos estándares de calidad en la obtención de imágenes si se desean maximizar las ventajas de las prácticas asistidas por IA.

La experiencia de los operadores intermedios, quienes no mostraron diferencias significativas en los tiempos de medición entre el uso de técnicas automáticas y manuales, pone de manifiesto que el dominio de la técnica manual tiene un rol crucial en la obtención de mediciones precisas. Sin embargo, la falta de diferencias estadísticas puede interpretarse como un indicativo de que esta categoría no se ha adaptado plenamente a las tecnologías automatizadas. La investigación futura en este ámbito debería enfocarse en explorar cómo estos sistemas pueden integrarse mejor en la formación y desarrollo profesional de operadores de diversos niveles de experiencia.

Dey et al. (2020) destacaron las fortalezas de la IA en la atención cardiovascular, particularmente su capacidad para mejorar el análisis de imágenes y automatizar los flujos de trabajo de diagnóstico, al tiempo que identifican los desafíos relacionados con la variabilidad en la calidad de la imagen. El estudio señaló que los algoritmos de IA a menudo luchan con imágenes que se desvían de las normas del conjunto de datos utilizadas durante la capacitación, lo que lleva a inconsistencias en el rendimiento diagnóstico en diversos escenarios clínicos. Este hallazgo subraya la importancia de utilizar conjuntos de datos de entrenamiento completos y diversos para mejorar la precisión y la fiabilidad de la IA en varios entornos⁽¹²⁾.

Del mismo modo, Madani et al. (2018) demostró la capacidad de los modelos de aprendizaje profundo, en particular los RCN, para clasificar las vistas ecocardiográficas con alta precisión. Su trabajo destacó el potencial de la IA para reducir la carga de trabajo de los médicos al automatizar tareas rutinarias como la clasificación de vistas. Sin embargo, el estudio también enfatizó las limitaciones de los modelos entrenados en conjuntos de datos no diversos, llamando la atención sobre los riesgos del sesgo algorítmico y la necesidad de datos equilibrados y representativos para garantizar un rendimiento sólido en aplicaciones clínicas del mundo real⁽¹³⁾.

Estos estudios resaltan tanto los obstáculos como las posibilidades de la IA en la ecocardiografía, enfatizando la importancia crucial de los conjuntos de datos de formación variados y de alta calidad para maximizar la utilidad clínica, al mismo tiempo que se reducen los prejuicios y las incongruencias.

La llegada de la inteligencia artificial en las imágenes cardíacas marca una transformación radical en el campo, redefiniendo la atención cardíaca y el diagnóstico. Al facilitar la medicina personalizada, mejorar el modelado pronóstico y avanzar hacia la ecocardiografía autónoma, la IA se ha consolidado como un pilar de la innovación en cardiología. A medida que estas tecnologías evolucionan, están listas para optimizar los resultados de los pacientes, aumentar la eficiencia de la atención médica y ampliar el acceso a la atención especializada, ofreciendo un cambio de paradigma hacia un enfoque fundamentado en datos, preciso y centrado en el paciente. Esto conlleva a considerar la necesidad de formación y adaptación continuas entre los profesionales de la salud. A medida que las herramientas de IA avanzan, los médicos deben permanecer informados sobre sus capacidades y limitaciones, promoviendo una dinámica colaborativa donde la experiencia humana complemente los avances tecnológicos para optimizar la atención al paciente.

No obstante, este trabajo tiene limitaciones que deben ser reconocidas. La investigación se basa en un número relativamente pequeño de sujetos y es de carácter unicéntrico, lo que plantea preguntas sobre la generalización de los hallazgos. La falta de diversidad en la población de estudio podría influir en la aplicabilidad de los resultados a un escenario clínico más amplio y diverso. Asimismo, las valoraciones subjetivas implicadas en la evaluación de la calidad de imagen subjetiva pueden introducir sesgos, lo que podría afectar la interpretación y aplicación de los resultados obtenidos.

Otro punto de consideración es la ausencia de comparaciones con otras modalidades diagnósticas, como la RM o TCc, que podría complementar o contrastar los hallazgos obtenidos en este estudio. Además, la investigación no abordó el rendimiento de sistemas de IA de otros proveedores, lo que sugiere que la comparación entre distintas tecnologías podría ofrecer conocimientos valiosos sobre cuál es la más efectiva para el uso clínico rutinario y a su vez un tema que a la final importa que es el costo, dado que siempre habrá tendencia es disminuirlos, pero garantizando la calidad. Esto último cobra fuerza dado que en los sistemas públicos a nivel mundial atraviesan dificultades de recursos económicos y hay que brindar opciones favorables.

Un aspecto que se destacó mucho en el estudio son las mediciones automatizadas mediante IA y cómo éstas potencian la precisión elevada y facilitan la reducción de la duración del examen y la disminución de las variabilidades entre observadores. Es algo innovador el darle detalle a este aspecto, que si bien es cierto se ha estudiado como la IA mejora rendimiento y análisis diagnóstico, pero no con el énfasis a las variables de tiempo de duración de estudio, obtención de imágenes de calidad y necesidad de correcciones en los distintos niveles de experiencia de los operadores en conjunto a si las mediciones eran manuales o automatizadas.

Sin duda, es necesario llevar a cabo estudios prospectivos multicéntricos de mayor escala en el futuro que puedan validar y ampliar estos hallazgos. Se anticipa que la integración de la ETT con tecnología de IA se volverá cada vez más prevalente en la práctica clínica diaria, contribuyendo a mejores resultados en la atención al paciente y a un uso más eficiente de los recursos diagnósticos disponibles. Podemos mencionar que sería importante en estos estudios comparar los diversos algoritmos de IA disponibles en los diferentes equipos de ecocardiografía, en diversas situaciones clínicas, evaluar a detalle el impacto en el costo y cuánto puede disminuir los tiempos de espera para realizarse un estudio de ETT y que tanto puede mejorar la calidad de atención en salud al fortalecer la relación médico- paciente y resultados más confiables.

Este enfoque hacia la innovación tecnológica en la ecocardiografía no solo representa un avance en la calidad de los exámenes, influiría positivamente en el flujo de pacientes y la gestión de calidad en la atención en salud, donde se garantice accesibilidad, menores tiempos de espera, disminuir errores diagnósticos y hallazgos precoces predictivos de una enfermedad incipiente de índole cardiovascular. Con esto se logra el objetivo final:  la optimización en la atención y el cuidado del paciente.

---

Conclusión

La IA es un gran avance tecnológico que mejoraría efectivamente el análisis y tiempo de realización de estudios de ecocardiografía transtorácica en la práctica clínica.

---

---

Bibliografía

1. ¿Qué es la Inteligencia Artificial (IA)? [Internet]. Ibm.com. 2024 [citado el 30 de marzo de 2025]. Disponible en: https://www.ibm.com/mx-es/topics/artificial-intelligence
2. Iberdrola.com. [citado el 30 de marzo de 2025]. Disponible en: https://www.iberdrola.com/innovacion/historia-inteligencia-artificial#:~:text=En%201943%20Warren%20McCulloch%20y,todav%C3%ADa%20no%20exist%C3%ADa%20el%20t%C3%A9rmino
3. Lanzagorta-Ortega D, Carrillo-Pérez DL, Carrillo-Esper R. Artificial intelligence in medicine: present and future. Gac Med Mex [Internet]. 2022 [citado el 30 de marzo de 2025];158(Suplement 1):17–21. Disponible en: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0016-38132022001100017
4. Maturi B, Dulal S, Sayana SB, Ibrahim A, Ramakrishna M, Chinta V, et al. Revolutionizing cardiology: The role of artificial intelligence in echocardiography. J Clin Med [Internet]. 2025;14(2). Disponible en: http://dx.doi.org/10.3390/jcm14020625
5. Pantelidis P, Oikonomou E, Gialamas I, Goliopoulou A, Sarantos S, Zakynthinos GE, et al. Decoding the heart: how artificial intelligence is transforming cardiology. J Med Artif Intell [Internet]. 2025 [citado el 30 de marzo de 2025];8(0):9–9. Disponible en: https://jmai.amegroups.org/article/view/9308/html
6. Zhang, J.; Gajjala, S.; Agrawal, P.; Tison, G.H.; Hallock, L.A.; Beussink-Nelson, L.; Lassen, M.H.; Fan, E.; Aras, M.A.; Jordan, C.; et al. Fully Automated Echocardiogram Interpretation in Clinical Practice. Circulation 2018, 138, 1623–1635. Disponible en: https://doi.org/10.1161/CIRCULATIONAHA.118.034338
7. O'Driscoll JM, Tuttolomondo D, Gaibazzi N. Artificial intelligence calculated global longitudinal strain and left ventricular ejection fraction predicts cardiac events and all-cause mortality in patients with chest pain. Echocardiography 2023;40:1356-64. Disponible en: https://doi.org/10.1111/echo.15714
8. Cirillo C, Matarrese MAG, Monda E, Pagnano ME, Vitale J, Verrillo F, et al. Artificial intelligence for left ventricular hypertrophy detection and differentiation on echocardiography, cardiac magnetic resonance and cardiac computed tomography: A systematic review. Int J Cardiol [Internet]. 2025;422(132979):132979. Disponible en: http://dx.doi.org/10.1016/j.ijcard.2025.132979
9. Oikonomou EK, Sangha V, Vasisht Shankar S, Coppi A, Krumholz HM, Nasir K, et al. Tracking the preclinical progression of transthyretin amyloid cardiomyopathy using artificial intelligence-enabled electrocardiography and echocardiography [Internet]. medRxiv. 2025. Disponible en: http://dx.doi.org/10.1101/2024.08.25.24312556
10. Tromp, J.; Seekings, P.J.; Hung, C.L.; Iversen, M.B.; Frost, M.J.; Ouwerkerk, W.; Jiang, Z.; Eisenhaber, F.; Goh, R.S.M.; Zhao, H.; et al. Automated interpretation of systolic and diastolic function on the echocardiogram: A multicohort study. Lancet Digit. Health 2022, 4, e46–e54. Disponible en: https://doi.org/10.1016/s2589-7500(21)00235-1
11. Narula, S.; Shameer, K.; Salem Omar, A.M.; Dudley, J.T.; Sengupta, P.P. Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography. J. Am. Coll. Cardiol. 2016, 68, 2287–2295. Disponible en: https://doi.org/10.1016/j.jacc.2016.08.062
12. Dey, D.; Slomka, P.J.; Leeson, P.; Comaniciu, D.; Shrestha, S.; Sengupta, P.P.; Marwick, T.H. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J. Am. Coll. Cardiol. 2019, 73, 1317–1335. Disponible en: https://doi.org/10.1016/j.jacc.2018.12.054
13. Madani, A.; Arnaout, R.; Mofrad, M.; Arnaout, R. Fast and accurate view classification of echocardiograms using deep learning. npj Digit. Med. 2018, 1, 6. Disponible en: https://doi.org/10.1038/s41746-017-0013-1

---