Hasta ahora no existía ningún método para predecir si un paciente con insuficiencia cardíaca empeorará en los próximos doce meses. PULSE-HF acaba de cambiar eso, y lo hace con una herramienta que ya existe en casi cualquier hospital del mundo: un electrocardiograma estándar.
El modelo fue desarrollado por investigadores del MIT, Mass General Brigham y Harvard Medical School, y acaba de publicarse en Lancet eClinical Medicine. Su nombre completo es torpe pero descriptivo: Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure. Lo que hace es concreto: leer un ECG de 12 derivaciones y calcular si la fracción de eyección del ventrículo izquierdo —el indicador clave de cuánta sangre bombea el corazón— caerá por debajo del 40% en el próximo año.
Por qué importa ese umbral del 40%: es la frontera que define la insuficiencia cardíaca con función reducida, la variante más severa, asociada a hospitalizaciones frecuentes, mortalidad elevada y un costo sanitario que ningún sistema puede absorber con facilidad. La insuficiencia cardíaca afecta a más de 64 millones de personas en el mundo; alrededor del 50% muere en los cinco años siguientes al diagnóstico.
IA para el Resto de Nosotros
La nueva versión de mi curso estrella para aprender a usar la IA de forma práctica, simple y útil en tu día a día. Comienza el 24 de marzo.
→ Inscríbete hoy 🚀Lo que no existía antes de PULSE-HF
El propio paper lo reconoce: hasta hoy, no existía ningún otro método para predecir el deterioro futuro de la LVEF en pacientes con insuficiencia cardíaca. Los clínicos pueden medir el estado actual del corazón, pero la trayectoria —quién empeorará y cuándo— era territorio de la intuición médica y el seguimiento periódico mediante ecocardiografías costosas.
El modelo fue entrenado y validado retrospectivamente en tres cohortes independientes: Massachusetts General Hospital, Brigham and Women’s Hospital y MIMIC-IV (un dataset público de registros clínicos). El resultado en las tres: un AUROC de entre 0,87 y 0,91, lo que significa que el modelo distingue correctamente entre pacientes que empeorarán y los que no en la gran mayoría de los casos. Para referencia, un AUROC de 0,5 equivale a lanzar una moneda; 1,0 es perfección perfecta. El rango de PULSE-HF es comparable al de otros modelos cardíacos de referencia.
“Entender cómo le irá a un paciente tras la hospitalización es fundamental para asignar recursos finitos”, dice Teya Bergamaschi, doctoranda del MIT y coautora del paper. La otra coautora, Tiffany Yau, también del MIT, lo formula de manera más operativa: si PULSE-HF predice que la eyección caerá, el médico prioriza seguimiento; si el riesgo es bajo, el paciente puede reducir visitas y evitar adherirle 10 electrodos al cuerpo para un ECG de 12 derivaciones.
El diferenciador que lo cambia todo: derivación única
Lo más relevante para el ecosistema de salud digital no es el AUROC. Es que PULSE-HF funciona con ECG de una sola derivación.
Eso significa que el modelo puede integrarse con dispositivos que ya existen en el mercado masivo: Apple Watch Series 4 y posteriores, Samsung Galaxy Watch, Withings ScanWatch, parches cardíacos de monitorización continua como los de Zio o BioTelemetry. En otras palabras, el diagnóstico predictivo de insuficiencia cardíaca podría salir del hospital y entrar en la muñeca del paciente.
En el contexto latinoamericano, esto tiene implicaciones concretas. La brecha de acceso a ecocardiografías —el método tradicional para monitorear la LVEF— es real y amplia, especialmente en zonas rurales donde no hay cardiólogos ni sonógrafos disponibles. Un modelo que opera desde un ECG portátil podría transformar el triaje cardíaco en centros de atención primaria de baja complejidad. No es un nicho: es un mercado de cientos de millones de personas sin acceso a diagnóstico cardíaco de calidad.
PULSE-HF no es el primer modelo de IA aplicado a cardiología. EchoPrime, de Cedars-Sinai, alcanzó un 92% de precisión interpretando ecocardiogramas, y Meta’s EchoJEPA demostró mejoras del 27% en ultrasonidos cardíacos con ruido. Pero estos modelos dependen de ecocardiografías —un recurso especializado— como entrada. PULSE-HF es el primero que opera desde un ECG, que es una señal de 12 derivaciones que existe en cualquier guardia de urgencias del mundo.
El problema que persiste: validación prospectiva
Antes de que PULSE-HF llegue a un producto clínico real, hay una barrera que el paper reconoce con honestidad: el estudio es retrospectivo. Los datos históricos tienen limitaciones propias: la selección de cohortes puede inflar métricas, y el comportamiento del modelo en el flujo clínico real —donde los ECGs tienen ruido, los pacientes tienen comorbilidades no documentadas, y los médicos tienen tiempo limitado— es una incógnita. Los investigadores tienen estudios prospectivos planificados, que serán el verdadero test de fuego.
Para cualquier startup que quiera construir sobre esta base, la secuencia lógica es clara: datos históricos son el punto de partida; validación prospectiva con outcomes reales (hospitalización reducida, mortalidad) es lo que convierte un modelo en un producto aprobable por la FDA o la CE. Y en ese camino, los socios institucionales —hospitales, redes de clínicas, aseguradoras— son el activo diferencial, no el modelo en sí.
Por qué esto importa más allá de la cardiología
PULSE-HF ilustra un principio que está redefiniendo la medicina predictiva: las señales diagnósticas baratas y ubicuas —el ECG, el Holter, el oxímetro de pulso— contienen información que la medicina tradicional no sabía leer. Los modelos de aprendizaje profundo están abriendo esa señal, y el resultado es diagnóstico predictivo a coste marginal casi cero.
La implicación para el ecosistema de salud digital es estratégica: el valor no está en crear nuevos sensores sino en extraer más información de los sensores que ya existen. Un ECG que hoy sirve para detectar arritmias, mañana puede predecir deterioro cardíaco. Pasado mañana, tal vez insuficiencia renal o sepsis. La carrera es de modelos, no de hardware.
La validación prospectiva determinará si PULSE-HF es un paper prometedor o el inicio de una categoría. Pero el punto de partida es sólido: es el primer método que existe para hacer esta predicción, viene del MIT con datos de tres cohortes independientes, y funciona desde el dispositivo más común de la cardiología clínica. Eso es exactamente lo que necesita una señal para convertirse en producto.
