Un simple ECG ahora podría predecir su riesgo de sufrir enfermedades cardíacas, Alzheimer y cáncer antes de que aparezcan los síntomas, gracias al seguimiento de la edad biológica impulsado por IA.
En un estudio reciente publicado en la revista npj Aging , los investigadores evaluaron si la edad biológica estimada mediante electrocardiograma (ECG) mediante inteligencia artificial (IA) mejora la clasificación del riesgo de enfermedades relacionadas con el envejecimiento más allá de la edad cronológica (EC).
Fondo
¿Sabías que dos personas de la misma edad pueden tener resultados de salud drásticamente diferentes? El envejecimiento afecta a las personas de manera diferente: algunas se mantienen activas y libres de enfermedades, mientras que otras desarrollan afecciones graves.
El envejecimiento es un proceso universal que conduce al deterioro fisiológico, aumentando el riesgo de sufrir trastornos neurodegenerativos, cardiovasculares (CV), metabólicos, musculoesqueléticos e inmunológicos. El AC se utiliza habitualmente en modelos de predicción de enfermedades, pero no logra captar la variabilidad del envejecimiento biológico entre individuos. El estudio excluyó a personas con enfermedades preexistentes como hipertensión, diabetes e insuficiencia cardíaca para centrarse en una población “sana”.
El ECG-BA, derivado de biomarcadores fisiológicos, proporciona una medida más personalizada del estado de salud. La IA ahora permite el análisis en tiempo real de las señales de ECG para estimar el ECG-BA, lo que mejora la estratificación del riesgo. Se aplicó una validación cruzada de cinco pasos para optimizar el rendimiento del modelo, lo que garantiza resultados sólidos. Se necesitan más investigaciones para validar su valor predictivo para diversas poblaciones.
Acerca del estudio
El estudio utilizó registros de ECG recopilados en el Hospital General de Veteranos de Taipei entre 2006 y 2017. Inicialmente, se registraron 51.061 ECG válidos, pero después de aplicar criterios de exclusión, se analizaron 48.783 personas sanas de entre 20 y 80 años.
Se desarrolló un modelo de aprendizaje profundo que integra una red residual (ResNet), una red de compresión y excitación (SENet) y aprendizaje multitarea para estimar la BA del ECG a partir de ECG de 12 derivaciones. El modelo se optimizó utilizando el optimizador Adam, que ajustó los pesos de la red para mejorar la precisión. La CA y los registros médicos se vincularon utilizando códigos de la Clasificación Internacional de Enfermedades (CIE) para categorizar a los participantes en grupos de enfermedades relacionadas con el envejecimiento y grupos de control.
El entrenamiento del modelo implicó una validación cruzada de cinco pasos para optimizar el rendimiento. La métrica de evaluación principal fue la correlación entre ECG-BA y CA en una población sana.
El rendimiento diagnóstico de enfermedades cardiovasculares y no cardiovasculares se evaluó mediante el área bajo las curvas ROC (receiver operating characteristic). Se calculó la mejora de la reclasificación neta (NRI) para medir la mejora en la clasificación de riesgo después de incorporar ECG-BA.
El análisis estadístico incluyó una regresión logística condicional para evaluar la utilidad predictiva del modelo en la clasificación de enfermedades. El error absoluto medio (MAE) del modelo fue de 6,25 años, con un error porcentual absoluto medio (MAPE) del 15,35%, lo que indica una gran precisión predictiva en comparación con los modelos anteriores.
El procesamiento de datos y la implementación del modelo se llevaron a cabo utilizando PyTorch, y los resultados se validaron frente a puntos de referencia clínicos establecidos.
Resultados del estudio
Imagine poder predecir futuros riesgos para la salud con un simple ECG, de la misma manera que un reloj inteligente monitorea la actividad cardíaca diaria. Este estudio revela que el ECG-BA es una herramienta poderosa para identificar enfermedades relacionadas con el envejecimiento de manera más temprana y precisa que el AC por sí solo.
El modelo mostró una fuerte correlación entre ECG-BA y CA (R² = 0,70, p < 0,01). La precisión predictiva del modelo fue mayor que la de los modelos de ECG basados en IA anteriores, que tenían mayores márgenes de error. Sin embargo, el valor real de esta tecnología es su capacidad para identificar a las personas en riesgo de desarrollar enfermedades graves antes de que aparezcan los síntomas tradicionales.
En comparación con el uso solo de CA, la incorporación de ECG-BA mejoró significativamente la predicción del riesgo de afecciones como enfermedad de la arteria coronaria (EAC), accidente cerebrovascular e infarto de miocardio (IM).
Por ejemplo, la mejora de la reclasificación neta (NRI) para la enfermedad arterial oclusiva periférica (PAOD) fue del 1,1 % (de 0,8632 a 0,8653, p < 0,01), lo que significa que la ECG-BA refinó la clasificación de riesgo más allá de la AC por sí sola. La clasificación del riesgo de cáncer mejoró en un 29 % en términos de NRI, lo que demuestra que esta tecnología puede refinar las evaluaciones médicas y dirigirse a las personas de alto riesgo de manera más eficaz.
Para lograr un impacto en el mundo real, considere la detección del cáncer. El diagnóstico temprano puede ser la diferencia entre la vida y la muerte. El estudio demostró que la ECG-BA corrigió el 21 % de las clasificaciones erróneas realizadas solo por la CA, lo que redujo la cantidad de pacientes clasificados incorrectamente. Esto significa que se podría identificar antes a más personas con alto riesgo, lo que potencialmente permitiría intervenciones oportunas que salven vidas.
Las mejoras más significativas se observaron en personas de 40 años o más, lo que refuerza la idea de que el envejecimiento biológico (no sólo el número de años vividos) debe tenerse en cuenta en las evaluaciones de atención médica.
A pesar de su éxito en la predicción de enfermedades, el modelo tenía limitaciones para predecir afecciones relacionadas con la arritmia, como la fibrilación auricular (FA) y el síndrome del seno enfermo (SSE). El estudio sugiere que las arritmias están influenciadas por factores más allá del envejecimiento, como el hipertiroidismo, el tabaquismo y los hábitos de vida, lo que puede explicar por qué la ECG-BA es menos efectiva para estas afecciones.
Sin embargo, para las enfermedades provocadas por el envejecimiento biológico, como la enfermedad de Alzheimer (EA) y la osteoartritis (OA), esta herramienta presenta una oportunidad innovadora para mejorar la detección temprana y las estrategias de atención médica preventiva.
Con la creciente accesibilidad a la monitorización del ECG mediante dispositivos portátiles, estos hallazgos tienen implicaciones de gran alcance. Sin embargo, el estudio señala que los modelos ECG-BA necesitan una mayor validación en diferentes máquinas de ECG, como Philips y GE Healthcare, ya que las variaciones en la configuración del dispositivo podrían afectar las predicciones.
Imagine un futuro en el que los ECG de rutina no solo detecten problemas cardíacos inmediatos, sino que también proporcionen una puntuación de riesgo de envejecimiento personalizada, ayudando a las personas a tomar medidas proactivas para mantener la salud a largo plazo.
Este estudio marca un paso significativo hacia ese futuro, demostrando que la ECG-BA puede reformular la medicina preventiva y la evaluación de riesgos, mejorando en última instancia los resultados de salud a nivel mundial.
Conclusiones
En resumen, la ECG-BA aporta un valor adicional en la clasificación de riesgo para enfermedades relacionadas con el envejecimiento más allá de la AC. El modelo basado en aprendizaje profundo demostró mejoras significativas en la precisión predictiva, en particular para enfermedades cardiovasculares, enfermedad de Alzheimer, artrosis y cánceres.
Sin embargo, el estudio también enfatiza la necesidad de una validación multicéntrica para confirmar la generalización entre diversas poblaciones y plataformas de dispositivos.
Fuentes:
- Liu, CM., Kuo, MJ., Kuo, CY. et al. Reclasificación de la evaluación de riesgo convencional para enfermedades relacionadas con el envejecimiento según la edad biológica basada en el electrocardiograma. npj Aging (2025).
- DOI: 10.1038/s41514-025-00198-0, https://www.nature.com/articles/s41514-025-00198-0
