La UVa impulsa una IA explicable para el diagnóstico cardíaco basada en un modelo matemático propio

VALLADOLID 9 Mar. (EUROPA PRESS) -

La Universidad de Valladolid (UVa) participa en el desarrollo de una nueva metodología de inteligencia artificial (IA) explicable para el diagnóstico automático de enfermedades cardíacas a partir del electrocardiograma (ECG).

El trabajo, recientemente publicado en la revista científica Biomedical Signal Processing and Control, valida clínicamente un modelo matemático original desarrollado íntegramente por el equipo investigador tras más de cinco años de trabajo.

Según explica la catedrática de Estadística en la UVa, Cristina Rueda, el estudio demuestra que el modelo ofrece "un rendimiento competitivo en el diagnóstico cardíaco frente a enfoques más complejos de inteligencia artificial, incorporando además una propiedad especialmente relevante en medicina: la explicabilidad"

Igualmente, añade que la aportación distintiva del estudio es "el desarrollo de un marco matemático con base fisiológica para describir el electrocardiograma, más allá de técnicas puramente estadísticas o de aprendizaje automático."

El modelo, denominado 3DFMMecg, permite descomponer la señal del ECG en sus cinco ondas fundamentales (P, Q, R, S y T), generando variables con significado clínico directo. "Este enfoque permite identificar ondas que no son evidentes en la lectura convencional y construir, sobre esa base estructurada, sistemas de inteligencia artificial explicables", añaden.

Rueda aclara que en el contexto actual, muchos sistemas de inteligencia artificial funcionan como 'cajas negras', y genera diagnósticos "sin que médicos ni pacientes puedan comprender qué información concreta ha conducido a esa conclusión." El modelo propuesto en la investigación permite identificar "qué características específicas del ECG sustentan cada decisión" y aporta "más trasparencia, trazabilidad y confianza durante su uso clínico".

Sin embargo, la catedrática destaca que con este estudio no buscan sustituir al profesional sanitario, sino reforzar su capacidad de decisión, "ya que el médico puede entender y evaluar el razonamiento del sistema antes de incorporarlo a su criterio clínico". Esta dimensión resulta especialmente relevante en ámbitos donde las decisiones automatizadas tienen un impacto directo sobre las personas.

MODELO VALIDADO

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

Además, el sistema mantiene un alto nivel de precisión incluso cuando se reduce el número de derivaciones del ECG, lo que abre la puerta a su integración en dispositivos portátiles y entornos con recursos limitados.

La investigación forma parte de The FMM Project, iniciativa de la UVa dedicada al desarrollo de métodos matemáticos originales para el análisis e interpretación de señales biomédicas como el electrocardiograma, y está dentro de una línea de investigación que data del 2021, cuando los investigadores publicaron en Scientific Reports (Nature) el artículo titulado 'The hidden waves in the ECG uncovered: revealing a sound automated interpretation method', donde se trataba por primera vez la identificación y modelización de "ondas ocultas" en el ECG.

Posteriormente, en el 2022, se amplió la publicación en la revista iScience "mediante el desarrollo de un modelo electrocardiográfico tridimensional orientado explícitamente hacia una inteligencia artificial interpretable". Con este artículo se consolida la línea de investigación inicial, ya que demuestra que "es posible combinar precisión diagnóstica y automatización con transparencia en la toma de decisiones".

Actualmente, el equipo continúa desarrollando nuevas aplicaciones clínicas del modelo y colabora con un grupo de cardiólogos de referencia internacional con el "objetivo de avanzar hacia herramientas automáticas de apoyo al diagnóstico que sean precisas, fiables y clínicamente interpretables".