REE 20(2) Riobamba may. - ago 2026
cc
BY NC ND
142
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
143
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
144
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
145
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
146
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
147
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Registros identificados a
partir de\*:
Bases de datos (n = 2)
Registros (n = 4319)
PubMed (n = 1987)
Web of Science (n = 2332)
Registros eliminados antes
del cribado:
Registros duplicados
eliminados (n = 1495)
Registros marcados como no
elegibles por herramientas
automatizadas (n = 0)
Registros eliminados por
otras razones (n = 0)
Registros examinados
(n = 2824)
Registros excluidos por título y
resumen:
(n = 2573)
Informes buscados para
recuperación
(n = 251)
Informes no recuperados en su
texto completo:
(n = 23)
Informes evaluados para
elegibilidad
(n = 228)
Informes excluidos:
Resultados cumplen criterios
de inclusión (n = 33)
Diseños no cumple criterios
de inclusión (n = 88)
Estudios en animales o
invitro (n = 33)
Otras causas (n = 60)
Estudios incluidos en la revisión
(n = 14)
Identificación de estudios a través de bases de datos y registros.
Id
en
tifi
ca
ci
ón
Cr
ib
ad
o
In
cl
ui
do
s
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
REE 20(2) Riobamba may. - ago. 2026
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
148
cc
BY NC ND
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Estudio
Diseño
Definición de
insuficiencia cardíaca
Tamaño de la
muestra (n)
Verdaderos
positivos (n)
Falsos
positivos (n)
Falsos
negativos (n)
Verdaderos
negativos
(n)
Pecchia et al. (10), 2011,
América
Cohorte
retrospectiva
ICC
83
26
0
3
54
Chen et al. (11), 2016,
América
Cohorte
retrospectiva
ICC
59
36
0
1
22
Acharya et al. (12),
2016, América
Cohorte
retrospectiva
ICC
110000
29660
794
340
79206
Acharya et al. (13),
2018, América
Cohorte
retrospectiva
ICC
1658
779
15
24
840
Attia et al. (14), 2019,
América
Cohorte
retrospectiva
LVSD
4227
7
111
19
4140
Attia et al. (15), 2022,
América
Cohorte
retrospectiva
ICC
52870
3565
6979
550
41776
Hussain et al. (16)
Cohorte
retrospectiva
ICC
116
39
5
3
69
Lih et al. (17), 2020,
América y Europa
Cohorte
retrospectiva
LVSD
150268
29997
2538
3
117730
Adedinsewo et al.
(18)
,2021, América
Cohorte
retrospectiva
ICC
1606
95
192
33
1286
Yang et al. (19),
América y Europa
Cohorte
retrospectiva
ICC
59
36
0
1
22
Harmon et al. (20),
2022, América
Cohorte
retrospectiva
LVSD
44986
3542
6100
777
34567
Bachtiger et al. (21),
2022, Reino Unido
Cohorte
prospectiva
LVSD
346
34
61
3
248
Attia et al. (22), 2022,
América
Cohorte
prospectiva
LVSD
100
7
0
0
93
Surendra et al. (23), ,
2023, Europa
Cohorte
prospectiva
ICC
5299
213
1544
105
3437
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
149
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
150
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Estudio
Sensibilidad
Especificidad
VPP
VPN
Pecchia et al. (10)
0.90
1.00
1.00
0.95
Chen et al. (11)
0.97
1.00
1.00
0.96
Acharya et al. (12)
0.99
0.99
0.97
1.00
Acharya et al. (13)
0.97
0.98
0.98
0.97
Attia et al. (14)
0.27
0.97
0.06
1.00
Attia et al. (15)
0.86
0.86
0.34
0.99
Hussain et al. (16)
0.93
0.93
0.89
0.96
Lih et al. (17)
0.99
1.00
0.99
1.00
Adedinsewo et al.
(18)
0.74
0.87
0.40
0.97
Yang et al. (19)
0.98
0.95
0.92
0.99
Harmon et al. (20)
1.00
0.95
0.47
1.00
Bachtiger et al. (21)
0.83
0.80
0.30
0.98
Attia et al. (22)
1.00
1.00
1.00
1.00
Surendra et al. (23)
0.67
0.69
0.12
0.97
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
151
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
152
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Estudio
Diseño del estudio
Nivel de evidencia
(GRADE)
Fuerza de
recomendación
Pecchia et al. (10)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Chen et al. (11)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Acharya et al. (12)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Acharya et al. (13)
Cohorte
retrospectiva
⨁◯◯◯
III
Attia et al. (14)
Cohorte
retrospectiva
⨁⨁⨁◯
I
Attia et al. (15)
Cohorte
retrospectiva
⨁⨁⨁◯
I
Hussain et al. (16)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Lih et al. (17)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Adedinsewo et al.
(18)
Cohorte
retrospectiva
⨁⨁⨁◯
I
Yang et al. (19)
Cohorte
retrospectiva
⨁⨁⨁◯
IIa
Harmon et al. (20)
Cohorte
retrospectiva
⨁⨁⨁◯
I
Bachtiger et al. (21)
Cohorte
prospectiva
⨁⨁⨁◯
I
Attia et al. (22)
Cohorte
prospectiva
⨁⨁⨁◯
I
Surendra et al. (23)
Cohorte
prospectiva
⨁⨁⨁◯
I
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
153
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Estudio
Objetivo
Aplicación
STROBE
Cumplimiento
general
Observaciones
relevantes
Pecchia
et al. (10)
Monitoreo remoto de
IC mediante minería
de datos (CART) sobre
VFC
Parcial
Moderado
Limitada descripción
de control de
confusión y pérdidas
Chen et
al. (11)
Detección y
cuantificación de IC
con VFC dinámica
Sí
Alto
Diseño, variables y
análisis claramente
reportados
Acharya
et al. (12)
Diagnóstico
automatizado de IC
con CNN aplicada a
ECG
Parcial
Moderado
Buen detalle técnico,
menor énfasis en
variables clínicas
Acharya
et al. (13)
Identificación de IC
mediante EMD
Parcial
Bajo
Estudio retractado;
debilita solidez
metodológica
Attia et
al. (14)
Validación externa de
algoritmo DL para
disfunción ventricular
Sí
Alto
Adecuada
descripción
poblacional y
validación externa
Attia et
al. (15)
Tamizaje de
disfunción contráctil
con ECG-IA
Sí
Alto
Amplia base de
datos, metodología
sólida y reproducible
Hussain
et al. (16)
Detección de IC
mediante ML y
características
multimodales
Parcial
Moderado
Detalle técnico
adecuado; limitada
discusión de sesgos
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
154
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Lih et al. (17)
Diagnóstico
electrocardiográfico
integral con DL
Parcial
Moderado
Foco algorítmico; menor
énfasis en reporte
epidemiológico
Adedinsewo
et al. (18)
Identificación de
disfunción sistólica en
urgencias
Sí
Alto
Resultados clínicamente
aplicables, adecuado
control estadístico
Yang et al.
(19)
Reconocimiento
automatizado de IC y
CAD con THC-Net
Parcial
Moderado
Enfoque computacional;
menor detalle clínico
Harmon et al.
(20)
Desempeño real y
ausencia de sesgo en
ECG-IA
Sí
Alto
Evaluación longitudinal
y análisis de equidad
Bachtiger et
al. (21)
Tamizaje en punto de
atención con estetoscopio-
ECG IA
Sí
Alto
Diseño prospectivo
robusto, aplicabilidad
clínica
Attia et al.
(22)
Detección de FE baja con
ECG de una derivación
Sí
Alto
Buena descripción de
población y validación
Surendra et
al. (23)
Tamizaje pragmático
poblacional con red
neuronal basada en ECG
Sí
Alto
Contextualización
poblacional y análisis
bien estructurado
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
155
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
156
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
157
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
158
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
159
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
Modelos de inteligencia artificial para el diagnóstico de la insuficiencia cardíaca: una revisión sistemática
de la literatura
Artificial intelligence models for the diagnosis of heart failure: a systematic review of the literature
https://doi.org/10.37135/ee.04.26.09
Autores:
Andrés Francisco Orbea Fernández1 – https://orcid.org/0009-0001-7385-3106
Carolina Mabel Alvarado Flores2 – https://orcid.org/0009-0004-2687-6438
Cristina Isabel Alvarado Flores3 – https://orcid.org/0009-0002-6356-1887
Carlos Moisés Vázquez Moreno3 – https://orcid.org/0000-0003-1240-2325
Afiliación:
1Universidad Regional Autónoma los Andes (UNIANDES), Ambato - Ecuador.
2Universidad Central del Ecuador, Quito – Ecuador.
3Escuela Superior Politécnica de Chimborazo, Riobamba – Ecuador.
Autor de correspondencia: Andrés Francisco Orbea Fernández. Universidad Regional Autónoma de los Andes
(UNIANDES). Dirección postal: Km 5 1/2 vía Baños, Ambato 180215. Email: ma.andresfof52@uniandes.edu.ec.
Teléfono: 0995691357
Recibido: 03 de febrero de 2026 Aceptado: 26 de abril de 2026
RESUMEN
La inteligencia artificial (IA) puede contribuir al diagnóstico temprano de insuficiencia cardíaca (IC). Esta
revisión sistemática evaluó la precisión diagnóstica de modelos de IA aplicados al ECG y VFC para detectar
insuficiencia cardiaca y disfunción ventricular izquierda (LVSD). Se reviso publicaciones entre 2011 y 2023,
siguiendo la declaración PRISMA. La certeza de la evidencia y el riesgo de sesgo se evaluaron utilizando las
herramientas GRADE y STROBE. Se obtuvieron 2332 resultados, posterior al cribado, se incluyeron 14
estudios. La sensibilidad combinada total fue del 98,30 % y la especificidad del 96,99 %. La inteligencia
artificial aplicada al análisis de ECG y VFC ofrece una herramienta diagnóstica precisa y potencialmente útil
para el cribado y la detección temprana de la insuficiencia cardíaca. Si bien los resultados fueron alentadores,
se requiere mayor validación externa, estandarización metodológica y estudios prospectivos en entornos
clínicos reales para garantizar la generalización y fiabilidad de estos algoritmos.
Palabras clave: inteligencia artificial; insuficiencia cardíaca; insuficiencia cardíaca diastólica; insuficiencia
cardíaca sistólica.
ABSTRACT
Artificial intelligence (AI) may contribute to the early diagnosis of heart failure (HF). This systematic review
evaluated the diagnostic accuracy of AI models applied to ECG and HRV for detecting heart failure and left
ventricular dysfunction (LVSD). Publications from 2011 to 2023 were reviewed in accordance with the
PRISMA statement. The certainty of the evidence and risk of bias were assessed using the GRADE and
STROBE tools. A total of 2,332 results were identified; after screening, 14 studies were included. The overall
combined sensitivity was 98.30 % and the specificity was 96.99 %. Artificial intelligence applied to ECG
and HRV analysis offers an accurate and potentially useful diagnostic tool for the screening and early detec-
tion of heart failure. Although the results were encouraging, further external validation, methodological
standardization, and prospective studies in real-world clinical settings are required to ensure the generali-
zability and reliability of these algorithms.
Keywords: Artificial Intelligence; Heart Failure; Heart Failure, Diastolic; Heart Failure, Systolic.
INTRODUCCIÓN
La insuficiencia cardíaca (IC) afecta a más de 60 millones de personas todo el mundo y continúa representando
desafíos clínicos, persistencia de riesgo residual a pesar del tratamiento óptimo y la complejidad en el
manejo de pacientes con insuficiencia cardiaca, fracción de eyección preservada.
(1)
La IC, de alta prevalencia, presenta elevadas tasas de mortalidad posterior al alta hospitalaria: 10,4 % a los
30 días, 22 % al año y 42,3 % a los cinco años. Por ello, su detección temprana es crucial para guiar decisiones
clínicas individualizadas que mejoren el pronóstico clínico del paciente.
(2)
En este contexto, la atención médica ha pasado de centrarse en el tratamiento hospitalario a enfocarse en la
prevención y predicción de enfermedades crónicas. Lo que ha impulsado el rápido desarrollo de la salud
digital, apoyada en tecnologías como sensores y dispositivos portátiles que recopilan datos en la vida diaria.
La inteligencia artificial médica, basada en algoritmos que analizan estos datos para diagnosticar o predecir
enfermedades, se ha convertido en un área clave de investigación.
(3)
La inteligencia artificial (IA), a través de técnicas como el aprendizaje automático y el aprendizaje profundo,
permite automatizar procesos que anteriormente dependían de la cognición humana.
(2)
En el ámbito de la
medicina cardiovascular, la IA se ha incorporado progresivamente, demostrando un impacto significativo en
el diagnóstico, la estratificación del riesgo y la predicción de resultados clínicos.
(1)
Su capacidad para analizar grandes volúmenes de datos con múltiples variables supera a los métodos
tradicionales, ofreciendo herramientas prometedoras para la predicción del riesgo, la detección temprana
del deterioro clínico y el apoyo en la toma de decisiones médicas. Se prevé que su aplicación se expanda
hacia tareas clínicas cada vez más complejas, optimizando así el manejo y tratamiento de las enfermedades
cardiovasculares.
(1,4)
La IA permite identificar patrones complejos en grandes volúmenes, datos y representa una herramienta
prometedora para mejorar el abordaje clínico de la insuficiencia cardíaca, especialmente ante la escasez de
evidencia sólida y la dependencia del juicio clínico de experto.
(5)
Esta revisión sistemática analiza la aplicación de algoritmos de IA en la detección precoz de la insuficiencia
cardíaca (IC).
METODOLOGÍA
Se realizó una revisión sistemática siguiendo la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses),
(6)
con el objetivo de identificar, evaluar y sintetizar la evidencia
científica disponibles sobre la aplicación de herramientas basadas en inteligencia artificial (IA), incluida la
inteligencia artificial generativa, en el diagnóstico de la insuficiencia cardíaca (IC), tanto en su forma sistólica
como diastólica.
Fuentes de información y estrategia de búsqueda
Se efectuó una búsqueda bibliográfica exhaustiva en las bases de datos electrónicas PubMed/MEDLINE,
Scopus y Web of Science. La estrategia de búsqueda combinó términos controlados y no controlados
mediante operadores booleanos, y se diseñó para identificar la mayor cantidad posible de literatura relevante,
mediante una pregunta estructurada según el modelo PICO. La estrategia de búsqueda que arrojó mejores
resultados fue: ("Generative Artificial Intelligence" OR "Artificial Intelligence") AND ("Heart Failure" OR
"Heart Failure, Diastolic" OR "Heart Failure, Systolic").
Se incluyeron estudios publicados desde 2010 hasta diciembre de 2024 en inglés y español. La búsqueda se
complementó con la revisión manual de las referencias bibliográficas de los estudios seleccionados con el fin
de identificar publicaciones adicionales pertinentes.
Criterios de inclusión y exclusión
Se incluyeron estudios originales que evaluaran la utilización de algoritmos de inteligencia artificial para
el diagnóstico de insuficiencia cardíaca en seres humanos, cuyos diseños metodológicos sean estudios
experimentales de cohortes prospectivos o retrospectivos. Los artículos seleccionados debían reportar métricas
diagnósticas relevantes tales como sensibilidad, especificidad, área bajo la curva (AUC), precisión o valores
predictivos. Se excluyeron estudios en animales o estudios in vitro, cartas al editor y resúmenes sin acceso a
texto completo.
Proceso de selección de estudios
La selección de los estudios se realizó en dos fases sucesivas. En la primera, dos revisores independientes
realizaron el cribado de títulos y resúmenes para excluir aquellos trabajos que no cumplían con los criterios
de elegibilidad. En la segunda fase, se realizó la lectura completa de los artículos potencialmente elegibles
para confirmar su inclusión definitiva. Los desacuerdos entre los revisores se resolvieron mediante discusión
y, cuando fue necesario, con la intervención de un tercer evaluador. El proceso de selección se documentó
mediante el diagrama de flujo PRISMA 2020.
Extracción y síntesis de datos
La extracción de datos se realizó por dos revisores independientes, mediante una matriz prediseñada. Se
recopilaron datos como el autor y el año de publicación, el país de origen del estudio, el tipo de investigación
realizada y las características de la población evaluada. Además, se tomó en cuenta el tipo de insuficiencia
cardíaca analizada (sistólica, diastólica o ambas), así como la tecnología de inteligencia artificial utilizada
(por ejemplo, aprendizaje automático, aprendizaje profundo o redes neuronales). Finalmente, se registraron
el conjunto de datos empleado y las métricas diagnósticas reportadas.
Los resultados se describieron mediante una síntesis narrativa de la literatura, agrupando los estudios según
el tipo de inteligencia artificial aplicada, el subtipo de insuficiencia cardíaca abordado y la calidad metodoló-
gica. Cuando los datos eran comparables, se resumían en forma de tabla para facilitar la interpretación de los
resultados.
Evaluación de la calidad metodológica
La calidad metodológica se evaluó mediante la aplicación de GRADE (por sus siglas en inglés, Grading of
Recommendations, Assessment, Development and Evaluation)
(7)
y el riesgo de sesgo de los estudios incluidos
se evaluó utilizando herramientas metodológicas adecuadas al diseño de cada investigación. Se aplicó la guía
STROBE (por sus siglas en inglés, Strengthening the Reporting of Observational Studies in Epidemiology)
para estudios observacionales;
(8)
para aquellos que desarrollaban o validaban modelos de predicción diagnóstica
se utilizó la declaración TRIPOD (por sus siglas en inglés, Transparent Reporting of a multivariable prediction
model for Individual Prognosis or Diagnosis)
(9)
y cuando fue aplicable, se utilizó la herramienta QUADAS-2.
Esta evaluación permitió contextualizar la validez interna de los resultados y la aplicabilidad de los modelos de
inteligencia artificial en entornos clínicos reales.
RESULTADOS
La selección de estudios se realizó siguiendo el diagrama de flujo PRISMA. En total, se identificaron 4319
registros (1987 de PubMed y 2332 de Web of Science). Tras eliminar los duplicados, se revisaron 2824
títulos y resúmenes, de los cuales 2573 fueron eliminados. Posteriormente, se analizaron 228 estudios, de
estos, 154 fueron excluidos por distintas razones, como un enfoque inadecuado, un diseño metodológico
deficiente, estudios in vitro o la falta de métricas diagnósticas.
Finalmente, catorce estudios cumplieron los criterios de selección,
(10–23)
con investigaciones publicadas entre
2011 y 2023 centradas en el uso de técnicas de inteligencia artificial (IA) y análisis computacional de señales
fisiológicas para el diagnóstico de la insuficiencia cardíaca (IC), insuficiencia cardiaca congestiva (ICC) o
con disfunción sistólica del ventrículo izquierdo (LVSD). Las características de los estudios incluidos se
describen en la tabla 1.
Se incluyeron estudios observacionales (retrospectivas como prospectivas), así como trabajos enfocados en
el desarrollo, entrenamiento y validación de algoritmos de inteligencia artificial. Estos algoritmos se aplicaron
a distintos tipos de datos, como señales de electrocardiograma (ECG), la variabilidad de la frecuencia cardíaca
(VFC) y combinaciones de múltiples fuentes de información. Algunos estudios
(14,20,21)
se evaluaron en
contextos de urgencias o atención primaria, mientras que otros
(11,12,19)
se centraron en cohortes experimentales
con fines de validación algorítmica.
En cuanto a las técnicas de IA, se identificó el uso de árboles de decisión (CART),
(10)
extracción dinámica de
VFC,
(11)
deep learning (CNN, GPT-3 y redes neuronales convolucionales profundas)
(12,19)
y modelos híbridos de
aprendizaje automático.
(16,17)
La mayoría de estos modelos fueron entrenados sobre datos electrocardiográficos
para identificar disfunción ventricular, reducida fracción de eyección, o clasificar pacientes con sospecha de
IC.
Varios estudios destacan por el uso de tecnologías emergentes como estetoscopios digitales habilitados con
IA,
(15,21)
o por realizar validaciones externas en cohortes poblacionales.
(14,23)
Asimismo, se observaron abordajes
multimodales en la detección de ICC,
(16)
y propuestas de diagnóstico integral mediante señales unicanal
(ECG de una derivación) con potencial aplicación en atención primaria.
Figura 1. Flujograma PRISMA
La evidencia conjunta reporta que, los modelos diagnósticos para ICC o LVSD alcanzan, una alta validez
diagnóstica, con niveles elevados de sensibilidad y especificidad. Esto es especialmente notorio en cohortes
retrospectivas de gran tamaño, como las de Acharya et al.
(13)
y Lih et al.
(17)
, donde los falsos negativos son escasos
(Tabla 2), lo que apunta a una utilidad real como herramienta de cribado poblacional.
En estudios con menor tamaño muestral, como los de Pecchia et al.
(10)
y Chen et al.
(11)
, la sensibilidad y
especificidad es cercana al 100 %; sin embargo, el tamaño muestral reducido limita la solidez estadística de
estas conclusiones y obliga a interpretar sus resultados con cautela. En el extremo opuesto, Attia et al.
(14)
evidencian una sensibilidad modesta para la detección de LVSD, lo que pone de manifiesto que estos modelos
tienen una validez heterogénea, que depende el contexto clínico.
Por otro lado, los estudios prospectivos (Bachtiger et al.
(21)
y Surendra et al.
(23)
tienden a reportar un
rendimiento más moderado, lo que sugiere que las estimaciones obtenidas en análisis retrospectivos
podrían estar sobreestimadas, con respecto a lo que cabría esperar en la práctica clínica real.
La mayoría de los estudios incluidos, destacan que estos modelos son particularmente valiosos para descartar
enfermedad, dado su alto valor predictivo negativo. Sin embargo, su valor predictivo positivo, muestra mayor
variabilidad y depende en buena medida de la prevalencia y del diseño metodológico adoptado.
La aplicación de la IA al electrocardiograma y a la variabilidad de la frecuencia cardíaca abre una vía prometedora
para la detección precoz de la insuficiencia cardíaca, con alta validez interna y externa (Tabla 2). No obstante,
la heterogeneidad entre estudios y las diferencias de contexto obligan a ser prudentes antes de extrapolar estos
resultados a entornos asistenciales específicos.
Tabla 2. Validez de la IA en el diagnóstico de insuficiencia cardiaca
VPP: Predictivo Positivo; VPN: Valor Predictivo Negativo
Varios estudios
(11,12,15,17)
alcanzaron una validez cercana al 100%, lo que evidencia un desempeño diagnóstico
excelente. Sin embargo, algunos estudios presentaron limitaciones en el valor predictivo positivo,
(14,18,23)
obteniéndose una relativamente alta de tasa de falsos positivos.
En el análisis cuantitativo global, la sensibilidad combinada alcanzó el 98.30 %, lo que indica la gran capacidad
para identificar correctamente a los pacientes con IC a partir de señales de electrocardiograma o de la VFC.
Por otro lado, la especificidad combinada fue del 96.99 %, lo que indica una alta capacidad para detectar a
los verdaderos sanos.
Detección de disfunción ventricular izquierda y fracción de eyección reducida
Los estudios de Attia et al.
(14,18,22)
validaron modelos basados en ECG asistidos por IA para detectar FEVI
reducida, con un área bajo la curva (AUC) entre 0.87 y 0.93. Adedinsewo et al.
(18)
reportaron una sensibilidad
del 74 % y especificidad del 87 % y Bachtiger et al.
(21)
, presentó una AUC de 0.85 para FEVI < 40 %.
Finalmente, Harmon et al.
(20)
confirmaron la robustez del algoritmo en entornos reales y poblaciones diversas.
Métodos y desempeño en análisis de variabilidad de la frecuencia cardíaca (VFC)
Pecchia et al.
(10)
Utilizaron técnicas estadísticas y computacionales para analizar grandes conjuntos de datos
y encontrar patrones útiles mediante el método CART sobre variables de VFC para clasificar pacientes con
ICC, alcanzando una exactitud del 84.3 %. Chen et al.
(11)
ntrodujeron un enfoque dinámico de VFC para
cuantificar la severidad de ICC, logrando AUC >0.90. Acharya et al.
(13)
utilizaron descomposición modal
empírica (EMD) en señales VFC para la identificación automatizada de ICC, con buenos resultados iniciales
antes de la retractación.
Validación externa y desempeño poblacional
Estudios como los de Attia et al.
(14)
y Surendra et al.
(23)
realizaron validaciones externas en cohortes poblaciones
comunitarias. El algoritmo validado por Surendra et al.
(23)
alcanzó una AUC de 0.86 en detección de ICC en
la población general a partir de ECG de 12 derivaciones. Estos estudios sugieren la aplicabilidad práctica de
los modelos de IA en contextos clínicos reales y no controlados.
Evaluación de la calidad metodológica
La tabla 3 resume la evaluación de la calidad de la evidencia, considerando limitaciones metodológicas
inconsistencia de los resultados, indirectos de la evidencia, imprecisión de los hallazgos y clasificación
global según los criterios del sistema GRADE.
Tabla 3. Evaluación de la calidad de la evidencia según la herramienta GRADE
⨁◯◯◯
Muy bajo;
⨁⨁◯◯
Bajo;
⨁⨁⨁◯
Moderado;
⨁⨁⨁⨁
Alto; I: Recomendación fuerte a favor de realizar (la interven-
ción); IIa: Recomendación moderada a favor de realizar; IIb: Recomendación débil a favor de realizar; III: Recomendación de no
realizar.
La mayoría de los estudios incluidos son de tipo cohortes retrospectivos, y presentan mayoritariamente, un
nivel de evidencia moderado según la herramienta GRADE, lo que respalda principalmente recomendaciones
fuertes (I) o moderadas a favor de la intervención (IIa). Solo un estudio presenta un nivel de evidencia muy
bajo y la recomendación de no realizar la intervención (III). En conjunto, los resultados indican una
consistencia general en la calidad moderada de la evidencia y un dominio hacia recomendaciones a favor
de la intervención evaluada.
Además, la tabla 4 se muestran la aplicación de la herramienta STROBE (Strengthening the Reporting of
Observational Studies in Epidemiology) en los estudios incluidos, teniendo en cuenta la solidez del diseño
metodológico, la claridad en la presentación de los resultados y las estrategias utilizadas para controlar posi-
bles sesgos.
Tabla 4. Cumplimiento STROBE de los estudios incluidos
La mayoría de los estudios tienen un cumplimiento alto de los criterios STROBE, con buena calidad metodológica
y presentan descripciones claras del diseño, las variables y el análisis. Sin embargo, un grupo importante
demuestra un cumplimiento moderado, presentando limitaciones en aspectos epidemiológicos, como el
control de sesgos y factores de confusión. Finamente, solo un estudio muestra un cumplimiento bajo, y fue
retractado, lo que disminuye su validez.
DISCUSIÓN
Los hallazgos recopilados en esta revisión sistemática evidencian el creciente interés y avance en el uso de
técnicas de inteligencia artificial para la detección automática de insuficiencia cardíaca a partir de señales
electrocardiográficas y de variabilidad de la frecuencia cardíaca. Los modelos basados en aprendizaje
profundo, CRISP-DM y otras metodologías de machine learning han demostrado una elevada precisión
diagnóstica, con resultados prometedores en la identificación de disfunción ventricular izquierda y de
fracción de eyección reducida, aspectos clave en el manejo clínico de la insuficiencia cardíaca.
Esto supone un gran potencial para mejorar el cribado y el diagnóstico precoz, especialmente en donde el
acceso a técnicas de imagen convencionales, como la ecocardiografía, es limitado. Además, existe la
probabilidad de utilizar dispositivos portátiles (estetoscopios digitales con algoritmos incorporados) podría
facilitar la integración de estas tecnologías en la atención primaria y la telemedicina.
La IA tiene un papel cada vez más relevante en el diagnóstico y manejo de la IC, por su elevada validez en
la interpretación de ECG y VFC.
(24,25)
Más allá de estos métodos, la IA ofrece un enfoque integral en el
tratamiento del paciente cardíaco, al integrarse en diversas etapas del proceso clínico: desde la recolección
de datos, el triaje y la selección de pruebas diagnósticas, hasta la adquisición, procesamiento y análisis de
imágenes cardíacas.
(24)
Las técnicas de aprendizaje profundo permiten mejorar la calidad, reproducibilidad y eficiencia del diagnóstico
por imagen cardiovascular, automatizando procesos tradicionalmente manuales y reduciendo la variabilidad
interobservador.
(24)
Además, modelos de IA ya han demostrado su capacidad para predecir mortalidad y guiar
decisiones clínicas en IC, contribuyendo a una medicina más personalizada y eficiente.
(25,26)
A pesar de estos avances, persisten desafíos importantes relacionados con la heterogeneidad de los estudios,
la necesidad de validaciones externas robustas y la integración efectiva de estos sistemas en la práctica clínica
diaria. Además, los aspectos éticos y la interpretabilidad de los modelos de IA continúan representando
limitaciones que requieren mayor atención para garantizar la aceptación y seguridad en su aplicación clínica.
(26)
Por tanto, se recomienda que futuras investigaciones se enfoquen en el desarrollo de modelos más
generalizables y transparentes, así como en estudios prospectivos que evalúen su impacto clínico en la
toma de decisiones médicas y en los resultados de los pacientes.
Limitaciones:
Aunque los estudios incluidos muestran un alto rendimiento diagnóstico, la evidencia disponible presenta
limitaciones relevantes que restringen su implementación en la práctica clínica. Existe predominio de estu-
dios retrospectivos y las cohortes, lo que aumenta el riesgo de sesgos y limita la generalización de los resul-
tados. Además, la variabilidad en la definición de los desenlaces y en los puntos de corte de la fracción de
eyección dificulta la comparación de resultados.
Existe una validación externa es escasa, sobre todo en regiones donde los factores clínicos y la calidad del
ECG pueden influir en el rendimiento de los modelos. Si bien la alta sensibilidad sugiere un posible rol como
herramienta de cribado, los bajos valores predictivos positivos observados implican un riesgo elevado
de falsos positivos y sobreutilización de recursos. A ello se suman desafíos éticos relacionados con la
interpretabilidad de los modelos, la protección y confidencialidad de datos y el riesgo de sesgos algorítmicos
derivados de la sobre presentación de poblaciones latinoamericanas.
Perspectivas futuras e integración clínica:
Las investigaciones futuras deben priorizar estudios prospectivos, multicéntricos, con validaciones externas
rigurosas en contextos latinoamericanos que incorporen poblaciones diversas y escenarios de atención
REE 20(2) Riobamba may. - ago. 2026
cc
BY NC ND
160
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
primaria, urgencias y comunidades rurales. También es necesario avanzar hacia modelos de IA que sean
explicables y permitan comprender qué características del ECG o de la variabilidad de la frecuencia cardíaca
influyen en la predicción para facilitar su aceptación clínica.
La integración clínica efectiva de estos modelos requerirá su evaluación como herramientas complementarias
incorporadas en los flujos de trabajo clínicos habituales, y acompañarlos de análisis de impacto en desenlaces
clínicos, costo-efectividad y toma de decisiones clínicas y terapéuticas. En este sentido, la inteligencia artificial
aplicada al ECG podría convertirse en un recurso estratégico para el cribado temprano de la insuficiencia
cardíaca en entornos con recursos limitados, siempre que se garantice una implementación ética, validada y
adaptada a las realidades epidemiológicas locales.
CONCLUSIONES
La inteligencia artificial permite una detección temprana y precisa de la insuficiencia cardíaca congestiva, a
partir del análisis automatizado de señales simples como el ECG y la variabilidad de la frecuencia cardíaca,
alcanzando sensibilidades y especificidades combinadas cercanas al 98 %, lo que la posiciona como una
herramienta diagnóstica confiable de apoyo clínico. Uno de los principales aportes añadido de la IA en la IC
es su capacidad de identificar disfunción ventricular izquierda subclínica, incluso en entornos no especializados,
lo que facilita el tamizaje en atención primaria, urgencias y población general mediante dispositivos accesibles
y no invasivos.
La utilidad clínica de la IA depende de su validación externa y calidad metodológica, ya que, aunque el
desempeño global es alto, algunos modelos presentan limitaciones en el valor predictivo positivo; por lo que su
implementación debe ser complementaria al juicio clínico y respaldada en estudios prospectivos y poblacionales
de mayor calidad.
Financiamiento
Los autores declaran que no recibieron financiamiento de ninguna institución u organización para la realización
de la presente investigación.
Conflictos de intereses
En cumplimiento con el formulario de divulgación uniforme del Comité Internacional de Editores de Revis-
tas Médicas (ICMJE), todos los autores declaran no presentar conflictos de intereses. No existen relaciones
financieras actuales ni en los últimos tres años, ni otras relaciones o actividades que pudieran haber influido
en el trabajo presentado.
Declaración de contribución
Concepto y diseño: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina Isabel
Alvarado Flores, Carlos Moisés Vázquez Moreno.
Adquisición, análisis e interpretación de los datos: Andrés Francisco Orbea Fernández, Carolina Mabel
Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Redacción del manuscrito: Andrés Francisco Orbea Fernández, Carolina Mabel Alvarado Flores, Cristina
Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Revisión crítica del manuscrito por su contenido intelectual relevante: Andrés Francisco Orbea Fernández,
Carolina Mabel Alvarado Flores, Cristina Isabel Alvarado Flores, Carlos Moisés Vázquez Moreno.
Supervisión: Andrés Francisco Orbea Fernández.
Todos los autores revisaron y aprobaron la versión final del manuscrito y asumen la responsabilidad por la
integridad y exactitud de todos los aspectos del trabajo.
REFERENCIAS BIBLIOGRÁFICAS
1. Khan MS, Arshad MS, Greene SJ, Van Spall HGC, Pandey A, Vemulapalli S, et al. Artificial intelligence
and heart failure: A state-of-the-art review. Eur J Heart Fail [Internet]. 2023 [citado 14 Feb 2025];25(9):
1507–1525. Disponible en: https://academic.oup.com/eurjhf/article-abstract/25/9/1507/8341908 DOI:
https://doi.org/10.1002/ejhf.2994.
2. Yasmin F, Shah SMI, Naeem A, Shujauddin SM, Jabeen A, Kazmi S, et al. Artificial intelligence in the
diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med [Internet].
2021 [citado 14 Feb 2025];22(4):1095–1113. Disponible en: https://www.imrpress.com/journal/rcm/
22/4/10.31083/j.rcm2204121 DOI: https://doi.org/10.31083/j.rcm2204121.
3. Lee S, Chu Y, Ryu J, Park YJ, Yang S, Koh SB. Artificial intelligence for detection of cardiovascular-related
diseases from wearable devices: a systematic review and meta-analysis. Yonsei Med J [Internet]. 2022
[citado 22 Feb 2025];63(Suppl):S93–S107. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC
8790582/ DOI: https://doi.org/10.3349/ymj.2022.63.s93.
4. Sun X, Yin Y, Yang Q, Huo T. Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic
perspectives. Eur J Med Res [Internet]. 2023 [citado 22 Feb 2025];28(1):242. Disponible en:
https://link.springer.com/article/10.1186/s40001-023-01065-y DOI: https://doi.org/10.1186/s40001-
023-01065-y.
5. Al-Ani MA, Bai C, Hashky A, Parker AM, Vilaro JR, Aranda JM, et al. Artificial intelligence guidance
of advanced heart failure therapies: a systematic scoping review. Front Cardiovasc Med [Internet].
2023 [citado 22 Feb 2025];10:1127716. Disponible en: https://www.frontiersin.org/journals/
cardiovascular-medicine/articles/10.3389/fcvm.2023.1127716/full DOI: https://doi.org/10.3389/
fcvm.2023.1127716.
6. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol [Internet].
2021 [citado 24 Feb 2025];74(9):790–799. Disponible en: https://www.sciencedirect.com/science/
article/pii/S0300893221002748?via%3Dihub DOI: https://doi.org/10.1016/j.recesp.2021.06.016.
7. Aguayo-Albasini JL, Flores-Pastor B, Soria-Aledo V. GRADE system: classification of evidence
quality and strength of recommendation. Cir Esp [Internet]. 2014 [citado 14 Mar 2025];92(2):82–88.
Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0009739X13003394 DOI:
https://doi.org/10.1016/j.ciresp.2013.08.002.
8. Von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP. The Strengthening
the Reporting of Observational Studies in Epidemiology (STROBE) statement. Rev Esp Salud Publica
[Internet]. 2008 [citado 14 Mar 2025];82(3):251–259. Disponible en: https://pmc.ncbi.nlm.nih.gov/
articles/PMC2034723/ DOI: 10.1136/bmj.39335.541782.AD.
9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement:
updated guidance for reporting clinical prediction models that use regression or machine learning
methods. BMJ [Internet]. 2024 [citado 14 Mar 2025];385:e078378. Disponible en: https://www.bmj.
com/content/385/bmj-2023-078378.short DOI: https://doi.org/10.1136/bmj-2023-078378.
10. Pecchia L, Melillo P, Bracale M. Remote health monitoring of heart failure with data mining via
CART method on VFC features. IEEE Trans Biomed Eng [Internet]. 2011 [citado 14 Mar 2025];58(3):
800–804. Disponible en: https://ieeexplore.ieee.org/abstract/document/5638128 DOI: https://doi.org/
10.1109/tbme.2010.2092776.
11. Chen W, Zheng L, Li K, Wang Q, Liu G, Jiang Q. A novel and effective method for congestive heart
failure detection and quantification using dynamic heart rate variability measurement. PLoS One
[Internet]. 2016 [citado 14 Abr 2025];11(11):e0165304. Disponible en: https://journals.plos.org/plosone/
article?id=10.1371/journal.pone.0165304 DOI: https://doi.org/10.1371/journal.pone.0165304.
12. Acharya UR, Fujita H, Oh SL, Hagiwara Y, Tan JH, Adam M, et al. Deep convolutional neural
network for the automated diagnosis of congestive heart failure using ECG signals. Appl Intell [Internet].
2019 [citado 14 Abr 2025];49(1):16–27. Disponible en: https://link.springer.com/article/10.1007/
s10489-018-1179-1 DOI: https://doi.org/10.1007/s10489-018-1179-1.
13. Acharya UR, Fujita H, Sudarshan VK, Oh SL, Muhammad A, Koh JEW, et al. Application of empirical
mode decomposition for automated identification of congestive heart failure using heart rate signals.
Neural Comput Appl. 2017 [citado 14 Abr 2025];28(10):3073–3094. Retracted. Disponible en:
https://link.springer.com/article/10.1007/s00521-016-2612-1 DOI: https://doi.org/10.1007/s00521-016-2612-1.
14. Attia IZ, Tseng AS, Benavente ED, Medina-Inojosa JR, Clark TG, Malyutina S, et al. External validation
of a deep learning electrocardiogram algorithm to detect ventricular dysfunction. Int J Cardiol [Internet].
2021 [citado 14 Abr 2025];329:130–135. Disponible en: https://www.sciencedirect.com/science/article/
pii/S0167527320343138 DOI: https://doi.org/10.1016/j.ijcard.2020.12.065.
15. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac
contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med [Internet].
2019 [citado 14 May 2025];25(1):70–74. Disponible en: https://www.nature.com/articles/s41591-018-
0240-2 DOI: https://doi.org/10.1038/s41591-018-0240-2.
16. Hussain L, Awan IA, Aziz W, Saeed S, Ali A, Zeeshan F, et al. Detecting congestive heart failure by
extracting multimodal features and employing machine learning techniques. Biomed Res Int [Internet].
2020 [citado 14 May 2025];2020:4281243. Disponible en: https://onlinelibrary.wiley.com/doi/full/
10.1155/2020/4281243 DOI: https://doi.org/10.1155/2020/4281243.
17. Lih OS, Jahmunah V, San TR, Ciaccio EJ, Yamakawa T, Tanabe M, et al. Comprehensive
electrocardiographic diagnosis based on deep learning. Artif Intell Med [Internet]. 2020 [citado 14
May 2025];103:101789. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0933365719309030 DOI: https://doi.org/10.1016/j.artmed.2019.101789.
18. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial intelligence-enabled
ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency
department with dyspnea. Circ Arrhythm Electrophysiol [Internet]. 2020 [citado 14 May 2025];13(8):
e008437. Disponible en: https://www.ahajournals.org/doi/full/10.1161/CIRCEP.120.008437 DOI:
https://doi.org/10.1161/circep.120.008437.
19. Yang W, Si Y, Zhang G, Wang D, Sun M, Fan W, et al. A novel method for automated congestive heart
failure and coronary artery disease recognition using THC-Net. Inf Sci [Internet]. 2021 [citado 22
May 2025];568:427–447. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/
S0020025521003637 DOI: https://doi.org/10.1016/j.ins.2021.04.036.
20. Harmon DM, Carter RE, Cohen-Shelly M, Svatikova A, Adedinsewo DA, Noseworthy PA, et al.
Real-world performance, long-term efficacy, and absence of bias in the artificial intelligence-enhanced
electrocardiogram to detect left ventricular systolic dysfunction. Eur Heart J Digit Health [Internet].
2022 [citado 22 May 2025];3(2):238–244. Disponible en: https://academic.oup.com/ehjdh/article/3/2/
238/6586624?guestAccessKey= DOI: https://doi.org/10.1093/ehjdh/ztac028.
21. Bachtiger P, Petri CF, Scott FE, Park SR, Kelshiker MA, Sahemey HK, et al. Point-of-care screening
for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled
stethoscope examination. Lancet Digit Health [Internet]. 2022 [citado 24 May 2025];4(2):e117–e125.
Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00256-9/fulltext
DOI: https://doi.org/10.1016/s2589-7500(21)00256-9.
22. Attia ZI, Dugan J, Rideout A, Maidens JN, Venkatraman S, Guo L, et al. Automated detection of low
ejection fraction from a one-lead electrocardiogram using an AI algorithm applied to a digital stethoscope.
Eur Heart J Digit Health [Internet]. 2022 [citado 24 May 2025];3(3):373–379. Disponible en:
https://academic.oup.com/ehjdh/article/3/3/373/6590492?guestAccessKey= DOI: https://doi.org/10.1093/
ehjdh/ztac030.
23. Surendra K, Nürnberg S, Bremer JP, Knorr MS, Ückert F, Wenzel JP, et al. Pragmatic screening for
heart failure in the general population using an electrocardiogram-based neural network. ESC Heart
Fail [Internet]. 2023 [citado 26 May 2025];10(2):975–984. Disponible en: https://academic.oup.com/
esICC/article/10/2/975/8304932?guestAccessKey= DOI: https://doi.org/10.1002/ehf2.14263.
24. Loncaric F, Camara O, Piella G, Bijnens B. Integration of artificial intelligence into clinical patient
management: focus on cardiac imaging. Rev Esp Cardiol (Engl Ed) [Internet]. 2021 [citado 30 May
2025];74(1):72–80. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S18855857
20303145 DOI: https://doi.org/10.1016/j.rec.2020.07.003.
25. Zargarzadeh A, Javanshir E, Ghaffari A, Mosharkesh E, Anari B. Artificial intelligence in cardiovascular
medicine: an updated review of the literature. J Cardiovasc Thorac Res [Internet]. 2023 [citado 30
May 2025];15(4):204–209. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10862032/
DOI: https://doi.org/10.34172/jcvtr.2023.33031.
26. Bourazana A, Xanthopoulos A, Briasoulis A, Magouliotis D, Spiliopoulos K, Athanasiou T, et al. Artificial
intelligence in heart failure: friend or foe? Life [Internet]. 2024 [citado 30 May 2025];14(1):145.
Disponible en: https://www.mdpi.com/2075-1729/14/1/145 DOI: https://doi.org/10.3390/life14010145.
Tabla 1. Características de los estudios incluidos
ICC: insuficiencia cardíaca congestiva; LVSD: disfunción sistólica del ventrículo izquierdo.
