{"id":184256,"date":"2026-02-25T15:39:10","date_gmt":"2026-02-25T14:39:10","guid":{"rendered":"https:\/\/liora.io\/es\/nuevo-modelo-de-ia-cardiaca-supera-las-expectativas-de-rendimiento"},"modified":"2026-02-25T15:39:10","modified_gmt":"2026-02-25T14:39:10","slug":"nuevo-modelo-de-ia-cardiaca-supera-las-expectativas-de-rendimiento","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/nuevo-modelo-de-ia-cardiaca-supera-las-expectativas-de-rendimiento","title":{"rendered":"Nuevo modelo de IA card\u00edaca supera las expectativas de rendimiento"},"content":{"rendered":"

Un grupo de investigadores ha presentado el Cardiac Sensing Foundation Model (CSFM), un sistema de IA entrenado con datos de 1,7 millones de individuos que mejora los m\u00e9todos tradicionales para diagnosticar patolog\u00edas card\u00edacas y predecir la evoluci\u00f3n de los pacientes. Este innovador modelo, descrito hoy en Nature Machine Intelligence, logr\u00f3 hasta un 96,7% de precisi\u00f3n en pron\u00f3sticos de cuidados cr\u00edticos y se integra perfectamente tanto con ECG hospitalarios como con dispositivos wearables, lo que supone un avance significativo en la cardiolog\u00eda impulsada por IA.<\/strong><\/p>\n

El nuevo sistema mostr\u00f3 un desempe\u00f1o excepcional en entornos de cuidados intensivos, alcanzando una tasa de precisi\u00f3n del 96,7%<\/strong> en la predicci\u00f3n de falsas alarmas, frente al 93,1%<\/strong> de los m\u00e9todos convencionales, seg\u00fan el estudio publicado en Nature Machine Intelligence. Al pronosticar la mortalidad a un a\u00f1o utilizando datos de pacientes brasile\u00f1os, el modelo logr\u00f3 una precisi\u00f3n del 84,4%<\/strong>, superando notablemente a los enfoques tradicionales que alcanzaban un m\u00e1ximo del 81,6%.<\/p>\n

M\u00e1s all\u00e1 de su aplicaci\u00f3n en cuidados cr\u00edticos, el CSFM exhibi\u00f3 capacidades diagn\u00f3sticas robustas en diversas afecciones cardiovasculares. El sistema obtuvo una puntuaci\u00f3n Macro-F1 de 0,677<\/strong> para la clasificaci\u00f3n de enfermedades multietiqueta en datos de ECG de wearables, superando considerablemente la puntuaci\u00f3n de 0,634 de los mejores modelos existentes.<\/p>\n

Una de las caracter\u00edsticas m\u00e1s destacadas del modelo es su adaptabilidad a distintos dispositivos m\u00e9dicos y entornos. El sistema de IA mantuvo un desempe\u00f1o s\u00f3lido tanto al analizar datos de ECG de 12 derivaciones<\/strong> hospitalarios como de sencillos dispositivos wearables de una sola derivaci\u00f3n<\/strong>. Al adaptarse de los sistemas de ECG hospitalarios a los wearables de consumo, el CSFM requiri\u00f3 solo el 10% de los datos de entrenamiento t\u00edpicos<\/strong> para igualar el rendimiento de los modelos convencionales entrenados con conjuntos de datos completos.<\/p>\n

Versatilidad entre tecnolog\u00edas<\/h3>\n

El equipo de investigaci\u00f3n, dirigido por Gu et al., evalu\u00f3 el CSFM frente a m\u00faltiples arquitecturas de aprendizaje profundo, incluyendo ResNet1d<\/strong> e Inception1D<\/strong>, donde el nuevo modelo demostr\u00f3 consistentemente un rendimiento superior. El sistema opera sin problemas con se\u00f1ales de ECG y datos de fotopletismograf\u00eda (PPG) de relojes inteligentes, lo que lo hace muy vers\u00e1til para diferentes escenarios de asistencia sanitaria.<\/p>\n

El CSFM tambi\u00e9n destac\u00f3 al inferir caracter\u00edsticas del paciente bas\u00e1ndose \u00fanicamente en se\u00f1ales card\u00edacas. El modelo mostr\u00f3 tasas de error m\u00e1s bajas al predecir la edad y el IMC, y logr\u00f3 una mayor precisi\u00f3n en la clasificaci\u00f3n de g\u00e9nero en comparaci\u00f3n con modelos entrenados desde cero con el conjunto de datos VitalDB<\/strong>.<\/p>\n

El sistema demostr\u00f3 incluso la capacidad de responder preguntas cl\u00ednicas sobre lecturas de ECG, superando a los modelos Fusion Transformer de referencia en la evaluaci\u00f3n ECG-QA. Esta capacidad podr\u00eda ayudar a los profesionales sanitarios a interpretar r\u00e1pidamente datos card\u00edacos complejos.<\/p>\n

Aunque los resultados de validaci\u00f3n son impresionantes, los investigadores se\u00f1alan que a\u00fan no se han realizado comparaciones directas entre el CSFM y los m\u00e9dicos humanos. Estos estudios, junto con ensayos cl\u00ednicos prospectivos, ser\u00e1n pasos esenciales antes de que la tecnolog\u00eda pueda implementarse en entornos m\u00e9dicos reales.<\/p>\n

\n

\n Sources
\n <\/h3>\n
    \n
  • Nature Machine Intelligence<\/li>\n<\/ul>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

    Un grupo de investigadores ha presentado el Cardiac Sensing Foundation Model (CSFM), un sistema de IA entrenado con datos de 1,7 millones de individuos que mejora los m\u00e9todos tradicionales para diagnosticar patolog\u00edas card\u00edacas y predecir la evoluci\u00f3n de los pacientes. Este innovador modelo, descrito hoy en Nature Machine Intelligence, logr\u00f3 hasta un 96,7% de precisi\u00f3n en pron\u00f3sticos de cuidados cr\u00edticos y se integra perfectamente tanto con ECG hospitalarios como con dispositivos wearables, lo que supone un avance significativo en la cardiolog\u00eda impulsada por IA.<\/p>\n","protected":false},"author":87,"featured_media":184254,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440,2428],"class_list":["post-184256","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia","category-noticias"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/184256","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/87"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=184256"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/184256\/revisions"}],"predecessor-version":[{"id":184262,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/184256\/revisions\/184262"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/184254"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=184256"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=184256"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}