La Universidad de Valladolid (UVa) participa en el desarrollo de una nueva metodología de inteligencia artificial explicable para el diagnóstico automático de enfermedades cardíacas a partir del electrocardiograma (ECG). El trabajo ha sido publicado recientemente en la revista científica Biomedical Signal Processing and Control y valida clínicamente un modelo matemático original desarrollado por el equipo investigador tras más de cinco años de investigación.

Según explica Cristina Rueda, catedrática de Estadística de la UVa, el estudio demuestra que el modelo ofrece un rendimiento competitivo frente a otros sistemas más complejos de inteligencia artificial, incorporando además una característica clave en el ámbito sanitario: la explicabilidad del diagnóstico.

"El estudio aporta un marco matemático con base fisiológica para describir el electrocardiograma, más allá de las técnicas puramente estadísticas o de aprendizaje automático", señala Rueda.

El modelo, denominado 3DFMMecg, permite descomponer la señal del electrocardiograma en sus cinco ondas fundamentales (P, Q, R, S y T), generando variables con significado clínico directo. Este sistema facilita identificar ondas que pueden pasar desapercibidas en la lectura convencional y construir, a partir de esa estructura, sistemas de inteligencia artificial que expliquen las decisiones diagnósticas.

Uno de los aspectos más relevantes del trabajo es que evita el funcionamiento de 'caja negra' habitual en muchos sistemas de inteligencia artificial, donde los diagnósticos se generan sin que médicos o pacientes puedan conocer qué información concreta ha llevado a esa conclusión. El nuevo modelo permite identificar qué características del ECG sustentan cada decisión, aportando mayor transparencia y confianza en su uso clínico.

No obstante, los investigadores subrayan que la herramienta no pretende sustituir al profesional sanitario, sino servir como apoyo en la toma de decisiones. "El médico puede entender y evaluar el razonamiento del sistema antes de incorporarlo a su criterio clínico", explica Rueda.

El modelo ha sido validado utilizando la base de datos internacional PTB-XL+, que reúne más de 21.000 electrocardiogramas anotados por cardiólogos. Los resultados muestran valores de precisión elevados,macro-AUC entre 0,88 y 0,95 según la tarea diagnóstica, superando a otros métodos basados en variables en varias categorías y compitiendo con modelos de aprendizaje profundo más complejos.

Además, el sistema mantiene un alto nivel de precisión incluso con menos derivaciones del ECG, lo que abre la puerta a su futura integración en dispositivos portátiles o entornos sanitarios con recursos limitados.

La investigación se enmarca en The FMM Project, iniciativa de la UVa centrada en el desarrollo de métodos matemáticos para analizar señales biomédicas como el electrocardiograma. Esta línea comenzó en 2021 con una publicación en Scientific Reports (Nature) sobre la identificación de ondas 'ocultas' en el ECG, ampliada posteriormente en 2022 con un modelo electrocardiográfico tridimensional orientado a una inteligencia artificial interpretable.

Actualmente, el equipo continúa trabajando en nuevas aplicaciones clínicas del modelo y colabora con cardiólogos de referencia internacional para avanzar hacia herramientas automáticas de apoyo al diagnóstico que sean precisas, fiables y clínicamente interpretables.