La inteligencia artificial está entrando en una de las áreas más delicadas de la medicina: la identificación anticipada de pacientes que podrían sufrir un deterioro grave. En Reino Unido, investigadores trabajan en sistemas capaces de analizar grandes cantidades de información clínica y detectar patrones que pueden pasar inadvertidos durante la vigilancia convencional.
Uno de los objetivos más ambiciosos es anticipar un paro cardíaco intrahospitalario, es decir, aquel que ocurre mientras el paciente permanece ingresado. Diferentes investigaciones han demostrado que los algoritmos de aprendizaje automático y aprendizaje profundo pueden identificar señales asociadas con un mayor riesgo de este evento antes de que ocurra. Algunos modelos experimentales han conseguido detectar a pacientes en riesgo con varias horas de anticipación, e incluso existen investigaciones que han evaluado ventanas de hasta 24 horas.
Sin embargo, es importante hacer una precisión: no existe evidencia suficiente para afirmar que todos los hospitales de Gran Bretaña estén actualmente probando un mismo algoritmo capaz de predecir de manera rutinaria un paro cardíaco exactamente 24 horas antes. La realidad es más amplia y compleja: Reino Unido cuenta con proyectos de investigación y desarrollo de sistemas de alerta temprana basados en inteligencia artificial, mientras que estudios internacionales han demostrado el potencial de estas tecnologías para anticipar el deterioro cardíaco.
La inteligencia artificial como sistema de alerta temprana
Los hospitales llevan décadas utilizando sistemas de puntuación para identificar a pacientes cuyo estado de salud puede estar empeorando.
En Reino Unido, por ejemplo, los sistemas de alerta temprana utilizan variables como la frecuencia cardíaca, la presión arterial, la temperatura, la frecuencia respiratoria y otros parámetros para determinar si un paciente necesita una evaluación médica más urgente. Estas herramientas forman parte de las estrategias de vigilancia de pacientes hospitalizados.
El problema es que el organismo humano no siempre sigue patrones sencillos.
Un paciente puede presentar pequeñas modificaciones en varios parámetros que, individualmente, parecen poco preocupantes. Sin embargo, cuando esas señales se analizan conjuntamente y se observa cómo cambian a lo largo del tiempo, pueden revelar un patrón de deterioro.
Ahí es donde entra el aprendizaje automático.
En lugar de limitarse a aplicar reglas previamente establecidas, un algoritmo puede ser entrenado con grandes cantidades de datos clínicos para reconocer asociaciones entre determinados patrones fisiológicos y acontecimientos posteriores.
El aprendizaje profundo, una rama del aprendizaje automático basada en redes neuronales artificiales, puede trabajar especialmente bien con grandes volúmenes de datos y señales complejas.
¿Qué información puede analizar un algoritmo?
Un sistema de este tipo puede integrar diferentes fuentes de información procedentes de la historia clínica electrónica.
Entre ellas pueden encontrarse:
- Frecuencia cardíaca.
- Presión arterial.
- Frecuencia respiratoria.
- Saturación de oxígeno.
- Temperatura corporal.
- Resultados de análisis de laboratorio.
- Registros electrocardiográficos.
- Edad y antecedentes clínicos.
- Diagnósticos y enfermedades previas.
- Medicamentos.
- Evolución de los signos vitales a lo largo del tiempo.
La ventaja potencial consiste en que la IA puede analizar simultáneamente estas variables y encontrar relaciones que no necesariamente son evidentes para una persona que observa cada dato por separado.
El sistema no tendría que esperar a que el paciente presente un paro cardíaco. En teoría, podría generar una alerta de riesgo cuando detectara una combinación de señales asociadas con un posible deterioro.
Esto permitiría que el personal sanitario realizara una valoración adicional y, si fuera necesario, modificara el tratamiento o trasladara al paciente a un área de mayor vigilancia.
Estudios ya han demostrado que el concepto es posible
La idea de utilizar inteligencia artificial para anticipar un paro cardíaco no es completamente nueva.
Uno de los trabajos más citados en este campo fue publicado en 2018 en el Journal of the American Heart Association. Investigadores desarrollaron un sistema denominado Deep Learning-based Early Warning System (DEWS), basado en una red neuronal recurrente capaz de analizar información clínica de pacientes hospitalizados.
El estudio incluyó datos de más de 52.000 pacientes procedentes de dos hospitales. El sistema consiguió superar a algunas herramientas tradicionales de alerta temprana y detectó más de la mitad de los pacientes que posteriormente sufrieron un paro cardíaco aproximadamente 14 horas antes del evento.
Los investigadores también observaron que el sistema podía identificar un porcentaje importante de los casos a medida que se acercaba el momento del paro.
Estos resultados fueron relevantes porque mostraron que las redes neuronales podían aprovechar la evolución temporal de los datos clínicos para producir una señal de alerta.
No obstante, se trataba de un estudio retrospectivo y no significaba que la tecnología pudiera instalarse automáticamente en todos los hospitales y comenzar a prevenir paros cardíacos.
¿Y qué ocurre con la predicción 24 horas antes?
La cifra de 24 horas requiere especial cuidado.
Una revisión sobre inteligencia artificial aplicada a la predicción del paro cardíaco encontró que los diferentes algoritmos estudiados manejaban ventanas de predicción que podían ir desde apenas unos minutos hasta aproximadamente 24 horas antes del evento.
Además, investigaciones sobre sistemas de aprendizaje profundo han demostrado que determinadas señales de deterioro pueden aparecer mucho antes del paro.
Un estudio publicado en Nature sobre predicción del deterioro clínico utilizó información de pacientes hospitalizados en Reino Unido y analizó la posibilidad de identificar acontecimientos graves dentro de las 24 horas siguientes. Aunque el objetivo de este trabajo era predecir deterioro clínico —incluyendo mortalidad y necesidad de cuidados críticos— y no exclusivamente paro cardíaco, demuestra el interés británico por utilizar aprendizaje automático para anticipar complicaciones antes de que sean evidentes.
Por eso, hablar de una ventana de 24 horas es razonable cuando se describe la investigación internacional en este campo, pero no debe interpretarse como que existe actualmente un sistema británico universal que predice con certeza el paro cardíaco con un día completo de anticipación.
Reino Unido también investiga la inteligencia artificial para prevenir paros cardíacos
La investigación británica sí tiene un papel importante en el desarrollo de estas tecnologías.
En 2024, un proyecto dirigido por investigadores del King’s College London ganó el AI Fairness Innovation Challenge del Gobierno británico. El proyecto busca estudiar y abordar posibles sesgos en los sistemas de alerta temprana utilizados para predecir paros cardíacos en las salas hospitalarias.
Este aspecto es especialmente importante.
Un algoritmo puede parecer muy preciso en términos generales y, aun así, funcionar peor en determinados grupos de pacientes. Diferencias relacionadas con edad, sexo, enfermedades previas, características demográficas o incluso con la forma en que se recopilan los datos pueden afectar su rendimiento.
Por ello, la investigación británica no se centra únicamente en conseguir algoritmos más precisos, sino también en determinar si esas herramientas funcionan de manera justa y segura para diferentes grupos de pacientes.
El electrocardiograma también se convierte en una fuente de información para la IA
Otra de las líneas más prometedoras consiste en utilizar inteligencia artificial para analizar electrocardiogramas, conocidos como ECG.
El ECG registra la actividad eléctrica del corazón. Tradicionalmente, los médicos analizan elementos como el ritmo cardíaco, el complejo QRS, las ondas P y T y diferentes intervalos para identificar alteraciones.
Los sistemas de aprendizaje profundo pueden analizar directamente las señales del ECG y detectar patrones extremadamente sutiles.
Un estudio publicado en European Heart Journal – Digital Health en 2025 evaluó precisamente la utilización de aprendizaje profundo para predecir paro cardíaco súbito a partir de electrocardiogramas. Los investigadores concluyeron que el método tenía potencial como herramienta de detección y observaron que el rendimiento aumentaba cuando el ECG se encontraba temporalmente más cerca del evento. Incluso registros realizados hasta un año antes conservaban cierto valor predictivo en el modelo estudiado.
El resultado es importante porque plantea una posibilidad diferente: que un electrocardiograma realizado por otros motivos pueda contener información relacionada con el riesgo futuro de un evento cardíaco grave.
Sin embargo, nuevamente hay que distinguir entre capacidad predictiva en una investigación y una herramienta que ya pueda utilizarse de forma rutinaria para tomar decisiones clínicas.
La IA no «adivina» el futuro
Una de las principales confusiones alrededor de estos sistemas consiste en interpretar una predicción como una certeza.
Un algoritmo que indique que un paciente presenta un riesgo elevado de sufrir un paro cardíaco no está diciendo necesariamente que el evento vaya a ocurrir.
La IA trabaja con probabilidades.
Por ejemplo, si un modelo encuentra una combinación de signos vitales, resultados de laboratorio y cambios en un ECG que históricamente estuvo asociada con un mayor número de paros cardíacos, puede elevar la puntuación de riesgo del paciente.
Eso significa que el personal médico podría recibir una alerta.
Pero una alerta no equivale a un diagnóstico.
Esta diferencia es fundamental porque un sistema excesivamente sensible podría generar numerosas falsas alarmas. Y en un hospital, demasiadas alertas pueden provocar un problema conocido como fatiga de alarmas: los profesionales reciben tantas notificaciones que pueden terminar dando menos importancia a algunas de ellas.
Precisamente por eso, uno de los avances más interesantes del DEWS fue que consiguió mejorar la capacidad de detección reduciendo también el número de alarmas frente a determinados sistemas convencionales.
¿Qué podría hacer un médico con una alerta de alto riesgo?
Si estas herramientas demuestran su utilidad en la práctica clínica, la finalidad no sería sustituir al médico.
El objetivo sería proporcionar una especie de segunda capa de vigilancia.
Un posible escenario sería que el sistema detectara una tendencia preocupante y enviara una alerta al equipo encargado del paciente. Los profesionales podrían entonces:
- Revisar nuevamente los signos vitales.
- Realizar un nuevo electrocardiograma.
- Solicitar análisis adicionales.
- Revisar medicamentos y tratamientos.
- Evaluar la necesidad de una monitorización más estrecha.
- Contactar con un equipo de respuesta rápida.
- Trasladar al paciente a una unidad de cuidados intensivos si su estado lo requiere.
La utilidad de disponer de varias horas de anticipación sería precisamente ganar tiempo para intervenir antes de que aparezca el evento crítico.
El gran desafío: demostrar que la predicción mejora la supervivencia
Una buena precisión matemática no es suficiente para convertir un algoritmo en una herramienta médica.
Los investigadores tienen que responder una pregunta mucho más importante:
¿Utilizar el algoritmo realmente salva vidas?
Para demostrarlo se necesitan estudios prospectivos y evaluaciones en condiciones reales.
Un modelo puede funcionar muy bien cuando se prueba con una base de datos histórica y, sin embargo, comportarse de manera diferente cuando se encuentra con pacientes reales, hospitales distintos, equipos médicos diferentes o poblaciones que no estaban representadas adecuadamente durante su entrenamiento.
Además, los sistemas sanitarios pueden utilizar diferentes protocolos y tecnologías de historia clínica electrónica.
Por eso, un algoritmo desarrollado con datos de un determinado hospital no necesariamente tendrá el mismo rendimiento en otro.
Los datos son el combustible de estos sistemas
El funcionamiento de la inteligencia artificial médica depende en gran medida de los datos utilizados para entrenarla.
Si un modelo recibe miles o millones de registros clínicos, puede aprender asociaciones muy complejas. Pero también puede aprender errores o sesgos presentes en esos datos.
Esto explica por qué el proyecto británico liderado por King’s College London pone el foco en la equidad de los sistemas de alerta.
La pregunta no es solamente si el algoritmo acierta.
También hay que preguntarse:
- ¿En qué pacientes funciona mejor?
- ¿En cuáles funciona peor?
- ¿Genera más falsas alarmas en determinados grupos?
- ¿Los datos utilizados representan adecuadamente a la población?
- ¿Los médicos pueden comprender por qué se produjo una alerta?
- ¿Qué ocurre cuando el sistema se enfrenta a un paciente diferente de aquellos con los que fue entrenado?
Estas cuestiones serán decisivas antes de una implementación masiva.
Reino Unido ya está utilizando IA en otras áreas de la cardiología
El interés del sistema sanitario británico por la inteligencia artificial aplicada al corazón va mucho más allá del paro cardíaco.
Investigadores de Imperial College London, por ejemplo, han desarrollado modelos capaces de extraer información de electrocardiogramas para estimar riesgos cardiovasculares. Un trabajo divulgado por Imperial mostró que un modelo de IA podía utilizar ECG para predecir diferentes riesgos de salud, incluidos problemas del ritmo cardíaco, ataques cardíacos, insuficiencia cardíaca y mortalidad.
También se están desarrollando aplicaciones de IA para diagnóstico y detección temprana de enfermedades cardíacas.
Esto demuestra que la tendencia no consiste en crear una única «máquina que predice infartos», sino en desarrollar herramientas capaces de aprovechar información clínica que anteriormente podía resultar difícil de interpretar en conjunto.
Una nueva generación de sistemas de vigilancia hospitalaria
El potencial de estas tecnologías puede entenderse mejor como una evolución de los sistemas tradicionales de alerta.
Los métodos convencionales asignan puntos según determinados valores de los signos vitales. La inteligencia artificial, en cambio, puede analizar relaciones mucho más complejas y observar cómo cambia el paciente a lo largo del tiempo.
En lugar de preguntar únicamente si la presión arterial está por debajo de determinado valor, un algoritmo puede analizar cómo ha cambiado la presión, qué ocurre simultáneamente con la frecuencia cardíaca, cómo están los niveles de oxígeno y qué dicen los últimos análisis.
La combinación puede proporcionar una imagen mucho más amplia del estado del paciente.
El reto será conseguir que esa capacidad adicional sea suficientemente precisa, segura y útil para integrarse en el trabajo cotidiano de los profesionales.
¿Cuándo podría convertirse en una herramienta habitual?
Todavía no existe una fecha en la que pueda afirmarse que la predicción de paro cardíaco mediante IA estará implantada de manera generalizada en los hospitales británicos.
El camino habitual para una tecnología médica de este tipo implica varias etapas: desarrollo del algoritmo, validación con datos independientes, evaluación prospectiva, análisis de seguridad, comprobación del rendimiento en diferentes poblaciones y hospitales, y finalmente evaluación de su impacto clínico.
El hecho de que un algoritmo consiga una elevada precisión en un estudio científico no significa automáticamente que esté preparado para incorporarse a la práctica diaria.
De hecho, investigaciones y revisiones sobre sistemas de alerta temprana han señalado la necesidad de realizar evaluaciones clínicas rigurosas antes de confiar decisiones médicas importantes a estos modelos.
Una oportunidad para ganar tiempo, no para reemplazar al médico
La principal promesa de la inteligencia artificial en este ámbito no consiste en reemplazar a los cardiólogos, enfermeros o médicos de urgencias.
Su valor podría estar en ofrecerles algo que en medicina resulta especialmente importante: tiempo.
Si una herramienta consigue identificar de forma fiable que un paciente está entrando en una trayectoria de deterioro, el personal sanitario podría intervenir antes de que aparezca un evento irreversible.
En un paro cardíaco, donde cada minuto puede ser decisivo, disponer incluso de una advertencia relativamente breve podría tener consecuencias importantes.
Pero la tecnología tendrá que demostrar primero que sus predicciones son suficientemente fiables y que las intervenciones realizadas después de una alerta realmente mejoran los resultados.
La promesa y los límites de la medicina predictiva
La investigación sobre inteligencia artificial y paro cardíaco representa uno de los ejemplos más claros de hacia dónde se dirige la medicina digital: pasar de reaccionar ante una emergencia a intentar anticiparse a ella.
Los resultados obtenidos hasta ahora muestran que las redes neuronales pueden encontrar señales relacionadas con el riesgo de paro cardíaco en datos clínicos y electrocardiográficos. Algunos modelos han conseguido identificar pacientes con horas de anticipación, mientras que investigaciones más recientes continúan explorando el uso de ECG y otras fuentes de información para mejorar estas predicciones.
En Reino Unido, además, existen proyectos específicamente orientados a mejorar los sistemas de alerta temprana y a estudiar sus posibles sesgos.
Por ahora, sin embargo, la afirmación de que los hospitales de Gran Bretaña ya cuentan con algoritmos capaces de anunciar de forma rutinaria un paro cardíaco exactamente 24 horas antes debe tomarse con cautela.
Lo que sí está demostrado es que la predicción mediante inteligencia artificial ha dejado de ser una idea puramente teórica. Los investigadores ya han desarrollado modelos capaces de identificar patrones de riesgo antes de que ocurra un paro cardíaco, y el siguiente gran desafío será demostrar que esas predicciones pueden convertirse en intervenciones clínicas capaces de salvar vidas.