La Universidad de Valladolid (UVa) ha impulsado una nueva metodología de inteligencia artificial explicable aplicada al diagnóstico automático de enfermedades cardíacas a partir del electrocardiograma (ECG). El avance ha sido publicado recientemente en la revista científica Biomedical Signal Processing and Control, donde se valida clínicamente un modelo matemático original desarrollado por el equipo investigador tras más de cinco años de trabajo.
La investigación ha sido liderada por Cristina Rueda y Yolanda Larriba, investigadoras de la UVa, en colaboración con especialistas internacionales, consolidando una línea científica pionera en el análisis matemático de señales biomédicas iniciada en 2021.
Según explica Cristina Rueda, catedrática de Estadística en la universidad, el estudio ha demostrado que el modelo desarrollado “ofrece un rendimiento competitivo frente a enfoques más complejos de inteligencia artificial”, incorporando además una característica especialmente relevante en el ámbito médico: la explicabilidad de los resultados.
Un modelo matemático con base fisiológica para interpretar el ECG
Uno de los aspectos más innovadores del trabajo reside en el desarrollo de un marco matemático con fundamento fisiológico capaz de describir el electrocardiograma más allá de los enfoques puramente estadísticos o basados exclusivamente en 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 que poseen significado clínico directo.
Este procedimiento facilita la identificación de patrones que en ocasiones no resultan evidentes en una lectura convencional del electrocardiograma. Sobre esa base estructurada, los investigadores han construido sistemas de inteligencia artificial capaces de explicar las decisiones diagnósticas que generan.
Frente a la “caja negra” de muchos sistemas de IA
Uno de los principales desafíos actuales de la inteligencia artificial aplicada a la medicina es la falta de transparencia de muchos algoritmos.
Tal como explica Rueda, numerosos sistemas funcionan como “cajas negras”, generando diagnósticos o recomendaciones sin que médicos o pacientes puedan comprender qué variables concretas han conducido a esa conclusión.
El modelo desarrollado por el equipo de la UVa ha permitido superar esta limitación, ya que identifica qué características específicas del ECG sustentan cada decisión diagnóstica. Esta capacidad aporta mayor transparencia, trazabilidad y confianza clínica, elementos esenciales cuando la tecnología interviene en procesos médicos sensibles.
Una herramienta para apoyar, no sustituir, al médico
Las investigadoras subrayan que el objetivo del sistema no es reemplazar al profesional sanitario, sino reforzar su capacidad de decisión clínica.
El modelo permite que el médico pueda interpretar el razonamiento del algoritmo, evaluar sus conclusiones y decidir si incorporarlas o no a su criterio diagnóstico.
Este enfoque resulta especialmente relevante en un momento en el que la inteligencia artificial comienza a integrarse en distintos ámbitos de la práctica clínica, donde la supervisión humana continúa siendo indispensable.
Validación clínica con más de 21.000 electrocardiogramas
Para comprobar la eficacia del modelo, el equipo investigador ha utilizado la base de datos internacional PTB-XL+, una de las mayores colecciones de electrocardiogramas clínicos disponibles actualmente.
Este repositorio incluye más de 21.000 ECG anotados por cardiólogos, lo que ha permitido realizar una validación rigurosa del sistema.
Los resultados obtenidos muestran valores de macro-AUC entre 0,88 y 0,95, dependiendo de la tarea diagnóstica. En cuatro de las seis categorías analizadas, el modelo ha superado a otros métodos basados en variables tradicionales y ha demostrado un rendimiento comparable al de modelos de aprendizaje profundo mucho más complejos.
Además, el sistema ha mantenido una alta precisión incluso cuando se reduce el número de derivaciones del electrocardiograma, lo que abre nuevas posibilidades para su integración en dispositivos portátiles y entornos sanitarios con recursos limitados.
Una línea de investigación iniciada en 2021
El trabajo se enmarca dentro de The FMM Project, una iniciativa científica impulsada desde la Universidad de Valladolid dedicada al desarrollo de modelos matemáticos originales para el análisis e interpretación de señales biomédicas.
Esta línea de investigación comenzó en 2021, cuando el equipo publicó en Scientific Reports (grupo Nature) el artículo titulado “The hidden waves in the ECG uncovered: revealing a sound automated interpretation method”. En aquel estudio se abordaba por primera vez la identificación y modelización de ondas “ocultas” en el electrocardiograma.
Posteriormente, en 2022, los investigadores ampliaron este trabajo en la revista iScience, donde desarrollaron un modelo electrocardiográfico tridimensional orientado específicamente a la inteligencia artificial interpretable.
La nueva publicación ha consolidado esta trayectoria científica al demostrar que es posible combinar automatización diagnóstica, precisión y transparencia en la toma de decisiones clínicas.
Hacia herramientas clínicas más transparentes y fiables
En la actualidad, el equipo continúa explorando nuevas aplicaciones clínicas del modelo desarrollado y mantiene colaboraciones con grupos internacionales de cardiología.
El objetivo es avanzar hacia herramientas automáticas de apoyo al diagnóstico que sean precisas, fiables y clínicamente interpretables, contribuyendo a mejorar la detección precoz de enfermedades cardíacas y reforzar el trabajo de los profesionales sanitarios.
gacetadecastillayleon 