La transformación de la práctica cardiológica por la inteligencia artificial: Desde el cribado clínico hasta la toma de decisiones personalizadas

Revista UniNorte de Medicina y Ciencias de la Salud 2025; 13(2): 70–83 ARTÍCULO DE REVISIÓN Medicina La transformación de la práctica cardiológica por la inteligencia artificial: Desde el cribado clínico hasta la toma de decisiones personalizadas Héctor Adrián Franco,1„2 María Paz Fleitas Acosta,1Luciano Javier Zarate Mercado,1 Wyder Dario Pacce Mallorquín,1Ruth Estefania Mallorquin Ortellado,1Jonathan Salinas,1Vinicius da Silva Souza,3Lígia Maria Oliveira de Souza4 1Facultad de Ciencias de la Salud, Universidad Nacional del Este, Ciudad del Este, Paraguay 2Facultad de Ciencias de la Salud, Universidad del Sol, filial Ciudad del Este, Paraguay 3Facultad de Ciencias Médicas, Universidad Privada del Este, filial Ciudad del Este, Paraguay 4Facultad de Ciencias de la Salud, Universidad Politécnica y Artística del Paraguay, filial Ciudad del Este, Paraguay DOI: 10.5281/zenodo.17887329 Recibido: 14 de marzo de 2025; Aceptado: 20 de mayo de 2025; Publicado: 18 de junio de 2025 RESUMEN Introducción: La práctica cardiológica contemporánea enfrenta limitaciones humanas inherentes, como la variabilidad interobservador y la inercia terapéutica, en un contexto de creciente demanda asistencial. La inteligencia artificial (IA) emerge como un paradigma disruptivo capaz de redefinir el continuo de atención, desde el cribado hasta la medicina de precisión. Esta revisión integrativa analiza el impacto clínico, pronóstico y ético de la IA en la cardiología moderna. Métodos: Se realizó una revisión integrativa siguiendo el marco de Whittemore y Knafl. Se llevó a cabo una búsqueda sistemática en PubMed, Scopus y Google Scholar de estudios publicados entre 2019 y 2025. Se incluyeron investigaciones originales y revisiones sistemáticas sobre aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) aplicados al diagnóstico, pronóstico y tratamiento cardiovascular. Resultados: La síntesis de la evidencia revela que los algoritmos de IA en dispositivos ponibles (wearables) alcanzan una sensibilidad del 99.6% para la detección de fibrilación auricular, facilitando el cribado masivo. En el ámbito pronóstico, los modelos de aprendizaje automático superan a los scores tradicionales (Framingham/SCORE), elevando el índice-C de 0.61 a 0.68 en la predicción de eventos adversos mayores (MACE). Asimismo, la automatización en imagenología (RMN/TC) y el fenotipado digital optimizan la precisión diagnóstica y la personalización terapéutica. Sin embargo, persisten barreras críticas para la implementación, destacando la opacidad de los algoritmos tipo «caja negra» y el riesgo de sesgos algorítmicos en poblaciones subrepresentadas, lo que amenaza la equidad en salud. Conclusiones: La IA no reemplaza al cardiólogo, sino que insFondos y subsidios recibidos: Los autores no recibieron fondos externos para la realización de este estudio. Autor corresponsal: Dra. Lígia Maria Oliveira de Souza. Facultad de Ciencias de la Salud, Universidad Politécnica y Artística del Paraguay, filial Ciudad del Este, Paraguay. Correo electrónico: [email protected] Rev UniNorte Med •Franco et al. taura una era de «inteligencia aumentada» que potencia la precisión diagnóstica y la estratificación del riesgo. La transición hacia la práctica clínica rutinaria requiere superar desafíos de explicabilidad, validar modelos en poblaciones diversas para mitigar sesgos y garantizar la interoperabilidad de los sistemas. Palabras clave: Inteligencia Artificial, Cardiología, Aprendizaje Automático (Machine Learning), Medicina de Precisión, Sesgo Algorítmico, Sistemas de Apoyo a la Decisión Clínica. 1 INTRODUCCIÓN Las enfermedades cardiovasculares (ECV) se mantienen como la principal causa de morbilidad y mortalidad a nivel mundial, presentando un desafío creciente para los sistemas de salud que deben gestionar volúmenes de datos clínicos sin precedentes. La práctica cardiológica contemporánea, tradicionalmente fundamentada en la interpretación humana de signos clínicos y estudios de imagen, se enfrenta a limitaciones inherentes como la variabilidad interobservador, la fatiga diagnóstica y la inercia terapéutica, fenómeno que impide la intensificación oportuna del tratamiento pese a no alcanzar los objetivos clínicos (1,2). En este contexto, la inteligencia artificial (IA), y específicamente los subcampos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning), ha emergido no como una mera herramienta auxiliar, sino como un vector de transformación paradigmática que promete redefinir la cadena de valor asistencial (3). La evolución de la capacidad computacional ha permitido transitar de modelos de predicción de riesgo estáticos y poblacionales, como el score de Framingham, a modelos dinámicos y personalizados capaces de procesar variables no lineales complejas, superando en precisión predictiva a las puntuaciones tradicionales (4,5). Actualmente, la literatura sugiere que la integración de algoritmos de IA puede optimizar desde el cribado de arritmias mediante dispositivos ponibles (wearables) —con sensibilidades superiores al 99% reportadas en entornos controlados— (6) hasta la segmentación automatizada en modalidades de imagen multimodales, reduciendo significativamente los tiempos de flujo de trabajo y mejorando la sensibilidad diagnóstica (7,8). Sin embargo, a pesar de la robustez técnica reportada, la traslación clínica de estas tecnologías enfrenta barreras críticas. Entre ellas destacan la opacidad de los algoritmos tipo «caja negra» (black box), que dificulta la confianza médica y la explicabilidad del diagnóstico (9,10), así como preocupaciones éticas sustanciales sobre sesgos algorítmicos derivados del entrenamiento en poblaciones no representativas, lo que podría exacerbar las inequidades en salud (11,12). A diferencia de revisiones previas centradas en modalidades aisladas, la presente revisión integrativa adopta un enfoque holístico del «viaje del paciente». Se examina la evidencia actual sobre cómo la IA está reconfigurando la cardiología en tres dominios críticos: (1) la precisión diagnóstica y el cribado temprano, (2) la estratificación de riesgo y pronóstico, y (3) la personalización terapéutica y la toma de decisiones. El objetivo es sintetizar los hallazgos más recientes (2019-2025) para dilucidar no solo la eficacia clínica de estas herramientas, sino también las implicaciones prácticas necesarias para su adopción generalizada. 71 IA en la práctica cardiológica 2 MÉTODOS Esta revisión integrativa se desarrolló siguiendo el marco metodológico propuesto por Whittemorey Knafl, el cualpermite la inclusiónde estudios condiversasmetodologías (experimentales y no experimentales) para proporcionar una comprensión completa del fenómeno de interés. El proceso se estructuró en cinco etapas: identificación del problema, búsqueda de literatura, evaluación de datos, análisis de datos y presentación. 2.1 ESTRATEGIA DE BÚSQUEDA Y FUENTES DE INFORMACIÓN Se llevó a cabo una búsqueda bibliográfica exhaustiva y sistemática de artículos publicados principalmente entre enero de 2019 y mayo de 2025, con el fin de capturar los avances más recientes en algoritmos de aprendizaje profundo (Deep Learning) y modelos de lenguaje masivo. No obstante, se incluyeron estudios seminales seleccionadosa partirde 2016cuandoaportabanvalidacionesfundamentalesde lastecnologías discutidas. Las bases de datos consultadas incluyeron PubMed/MEDLINE, Scopus y Google Scholar. Para garantizar la exhaustividad, se utilizaron combinaciones de términos MeSH (Medical Subject Headings) y palabras clave en inglés, interconectados mediante los operadores booleanos «AND» y «OR». Las cadenas de búsqueda se adaptaron a la sintaxis de cada base de datos, basándose en la siguiente lógica: •Dominio tecnológico: “Artificial Intelligence” OR “Machine Learning” OR “Deep Learning” OR “Neural Networks” OR “Natural Language Processing”. •Dominio clínico: “Cardiology” OR “Cardiovascular Diseases” OR “Atrial Fibrillation” OR “Heart Failure” OR “Ischemia”. •Dominio de aplicación: "Screening” OR “Wearables” OR “Risk Prediction” OR “Decision Support Systems” OR “Pharmacogenomics” OR “Health Equity”. 2.2 CRITERIOS DE ELEGIBILIDAD Para asegurar la relevancia y calidad de la evidencia, se aplicaron los siguientes criterios de inclusión y exclusión: 2.2.1 Criterios de inclusión •Artículos originales, ensayos clínicos aleatorizados, estudios de cohortes y revisiones sistemáticas con o sin metanálisis. •Estudios realizados en poblaciones humanas adultas (mayores de 18 años). •Publicaciones que reportaran métricas de rendimiento claras (sensibilidad, especificidad, AUC, valor predictivo) o resultados clínicos tangibles (reducción de mortalidad, reingresos, adherencia a guías). •Artículos disponibles en idioma inglés o español. 2.2.2 Criterios de exclusión •Editoriales, cartas al editor y opiniones de expertos sin datos empíricos. •Estudios in silico puramente técnicos sin validación clínica externa o conjuntos de datos del mundo real. 72 Rev UniNorte Med •Franco et al. •Estudiosen modelosanimales, salvoaquellosfundamentales paraexplicarmecanismos fisiopatológicos emergentes en imagenología experimental. 2.3 SELECCIÓN DE ESTUDIOS Y EXTRACCIÓN DE DATOS La selección se realizó en dos fases. Primero, se cribaron títulos y resúmenes para eliminar duplicados y artículos irrelevantes. Segundo, se leyeron los textos completos de los artículos preseleccionados para verificar el cumplimiento de los criterios de elegibilidad. La extracción de datos se sistematizó utilizando una matriz predefinida que capturó: (1) Autory añode publicación, (2) Objetivodel estudio, (3)Diseñometodológico y tamaño de la muestra, (4) Tipo de algoritmo de IA utilizado, (5) Hallazgos principales y métricas de rendimiento, y (6) Limitaciones reportadas (ej. sesgos de datos, falta de validación externa). 2.4 SÍNTESIS Y ANÁLISIS DE DATOS Dada la heterogeneidad metodológica de los estudios incluidos (que abarcan desde validaciones de software hasta análisis éticos), no fue posible realizar un metanálisis cuantitativo global. En su lugar, se optó por una síntesis narrativa temática. Los hallazgos se agruparon, codificaron y organizaron en cuatro categorías lógicas que reflejan el flujo de la práctica clínica: 1. Cribado y diagnóstico de precisión: enfocado en wearables e imagenología multimodal. 2. Pronóstico y estratificación de riesgo: comparación de Machine Learning vs. scores tradicionales. 3. Terapéutica personalizada: farmacogenómica y sistemas de soporte a la decisión (CDSS). 4. Desafíos de implementación: Barreras económicas, flujo de trabajo, interpretabilidad (Black Box) y ética (sesgos). Esta estructura permitió contrastar resultados, identificar patrones consistentes y señalar lagunas en la evidencia actual. 3 RESULTADOS La revisión de la literatura seleccionada permite identificar cuatro áreas temáticas principales donde la inteligencia artificial ha demostrado un impacto clínico tangible: (1) Diagnóstico y cribado de precisión, (2) Estratificación de riesgo, (3) Personalización terapéutica y (4) Desafíos de implementación. A continuación, se detallan los hallazgos para cada dominio. 3.1 DIAGNÓSTICODEPRECISIÓN:DELOSDISPOSITIVOSPONIBLESALAIMAGENOLOGÍA MULTIMODAL La transformación diagnóstica impulsada por la IA se manifiesta en dos frentes complementarios: la masificación del cribado de arritmias mediante dispositivos ponibles (wearables) y la automatización del análisis de imagen cardiaca compleja. 73 IA en la práctica cardiológica 3.1.1 Detección de arritmias y monitoreo ambulatorio La integración de algoritmos de IA en dispositivos ponibles y parches de salud móvil (mHealth) ha permitido transitar de un monitoreo episódico a uno continuo, facilitando la recolección de datos fisiológicos extensos. La evidencia actual indica que estos algoritmos alcanzan una precisión diagnóstica comparable a los métodos estándar de electrocardiograma (ECG) para la detección de fibrilación auricular (FA). Específicamente, estudiosrecientesreportan quelosalgoritmos aplicadosa parches de monitoreo continuo pueden lograr una sensibilidad del 99.6% y una especificidad del 98.0%, métricas que sugieren una capacidad robusta para el cribado poblacional (6). Dispositivos de consumo masivo, como pulseras inteligentes equipadas con algoritmos validados, también han demostrado una eficacia significativa en la identificación de episodios de FA frente a los métodos tradicionales (13). Además, la utilidad de estas herramientas se extiende a la detección de isquemia silente, donde el uso de ECG de 12 derivadas enriquecido con IA durante el ritmo sinusal ha mostrado potencial para mejorar la precisión diagnóstica (14,15). Sin embargo, la literatura enfatiza consistentemente que, pese a su alta sensibilidad, estas tecnologías deben considerarse herramientas adjuntas. Los diagnósticos definitivos aúnrequieren confirmación mediante registros de ECG estándar, especialmente para descartar falsos positivos derivados de artefactos de movimiento (16,17). 3.1.2 Automatización en imagenología cardiaca (ecocardiografía, RMN y TC) En el entorno clínico, el aprendizaje profundo (Deep Learning) ha abordado uno de los cuellos de botella más críticos de la cardiología: la segmentación y cuantificación de estructuras cardiacas. Ecocardiografía: La aplicación de redes neuronales ha permitido automatizar la delimitación de estructuras anatómicas y la cuantificación de la función ventricular izquierda con alta precisión (18). Estos modelos no solo aceleran el flujo de trabajo al reducir la necesidad de segmentación manual —propensa a la variabilidad interobservador—, sino que también mejoran la detectabilidad de fenotipos complejos como la hipertrofia ventricular y optimizan la interpretabilidad global del estudio (19,20). Resonancia magnética cardiaca (RMN): Los algoritmos de aprendizaje profundo han logrado cuantificaciones totalmente automatizadas de los volúmenes ventriculares con una fidelidad que minimiza la variabilidad entre observadores (7). Estudios recientes destacan la capacidad de estos modelos para realizar segmentaciones fiables en estudios de cine-RMN provenientes de múltiples proveedores, lo que refuerza su aplicabilidad en escenarios clínicos diversos (21). Tomografía computarizada (TC): La innovación en TC incluye enfoques totalmenteautomatizadospara elcálculodel scorede calcio(Agatston)y lasegmentación multiorgánica (8). Estos avances superan a los métodos tradicionales basados en atlas al eliminar la necesidad de co-registros de datos complejos, optimizando así el análisis volumétrico para la evaluación de la enfermedad coronaria (22). En conjunto, la evidencia sugiere que la sinergia entre la automatización por IA y la supervisión clínica no solo mejora la eficiencia operativa, sino que eleva la sensibilidad diagnóstica al detectar cambios morfológicos sutiles que podrían pasar desapercibidos en una evaluación visual convencional. 74 Rev UniNorte Med •Franco et al. 3.2 PRONÓSTICO Y ESTRATIFICACIÓN DE RIESGO: SUPERIORIDAD ALGORÍTMICA Y FENOTIPADO DIGITAL El segundo dominio crítico donde la inteligencia artificial está transformando la práctica clínica es la predicción de eventos adversos y la caracterización fenotípica de enfermedades complejas, desplazando progresivamente a los modelos de riesgo lineales tradicionales. 3.2.1 Superioridad predictiva sobre scores tradicionales (MACE y muerte súbita) La estratificación del riesgo cardiovascular ha dependido históricamente de puntuaciones estáticas como Framingham o SCORE. Sin embargo, la literatura reciente sugiere que los modelos de aprendizaje automático (Machine Learning, ML) superan consistentemente a estas herramientas convencionales al integrar variables no lineales y biomarcadores complejos. Por ejemplo, Kolossváry et al. demostraron que los modelos de ML alcanzaron un índice-C de 0.68 para la predicción de eventos cardiovasculares adversos mayores (MACE), una mejora sustancial frente al 0.61 obtenido por los scores clásicos en cohortes similares (4). En la misma línea, Tamarappoo et al. evidenciaron que la integración algorítmica de biomarcadores circulantes y de imagen proporciona perfiles de riesgo más granulares y precisos que el Framingham Risk Score (5). Esta superioridad se extiende a escenarios agudos y posinfarto. Tian et al. reportaron que la combinación de ML con la escala GRACE mejora significativamente la predicción de MACE a largo plazo en comparación con el uso aislado de la escala GRACE, lo que sugiere que la IA puede actuar como un potenciador de las herramientas clínicas existentes (23). Asimismo, en la predicción de muerte súbita cardiaca y eventos arrítmicos, modelos avanzados basados en transformers y supervivencia han demostrado métricas de discriminación superiores a los enfoques convencionales (24). No obstante, es crucial notar que, aunque el rendimiento in silico es alto, estudios como el de Balado et al. advierten sobre la necesidad imperiosa de validación externa en poblaciones diversas antes de una implementación clínica generalizada (25). 3.2.2 Refinamiento del fenotipado en insuficiencia cardíaca y gestión de reingresos La IA está abordando la complejidad inherente de la insuficiencia cardíaca (IC) mejorando la distinción entre fenotipos (IC con fracción de eyección reducida vs. preservada) y optimizando la gestión hospitalaria. Oo et al. destacaron que el uso de procesamiento de lenguaje natural (NLP) combinado con IA sobre historias clínicas electrónicas (HCE) permite una extracción de subtipos de IC y parámetros ecocardiográficos significativamente más precisa que la dependencia exclusiva de los códigos CIE-10, los cuales carecen de especificidad clínica (26). Este fenotipado de precisión es fundamental para la implementación de terapias dirigidas (27). En cuanto a la gestión operativa, los algoritmos predictivos alimentados por datos masivos de HCE han mostrado utilidad para prever reingresos hospitalarios, un indicador clave de calidad asistencial. Mortazavi et al. reportaron un estadístico-c promedio de 0.63 para la predicción de hospitalizaciones (28), demostrando la capacidad de 75 IA en la práctica cardiológica estos modelos para identificar pacientes de alto riesgo que los modelos tradicionales podrían pasar por alto (29). Más recientemente, modelos desarrollados por Weller et al. (2025) y Kwon et al. (2019) han logrado predecir con éxito la mortalidad a 90 días y el riesgo de reingreso integrando datos demográficos, clínicos y de laboratorio, facilitando así intervenciones preventivas personalizadas (30,31). 3.3 TERAPÉUTICAPERSONALIZADAYTOMADEDECISIONES:DELINTERVENCIONISMO A LA FARMACOGENÓMICA La inteligencia artificial no solo ha redefinido el diagnóstico, sino que ha comenzado a optimizar la ejecución terapéutica, influyendo tanto en procedimientos invasivos de alta complejidad como en la prescripción farmacológica de precisión y la adherencia a guías clínicas. 3.3.1 Navegación en tiempo real y planificación intervencionista (TAVI, PCI y electrofisiología) En cardiología intervencionista, la IA ha demostrado un impacto clínico sustancial al mejorar la selección de pacientes y la precisión procedimental. En el contexto del implante de válvula aórtica transcatéter (TAVI), la integración de algoritmos con tomografía computarizada (TC) pre-procedimental ha optimizado significativamente el dimensionamiento y posicionamiento de la prótesis, minimizando complicaciones críticas como las fugas paravalvulares (32). Asimismo, el uso de software automatizado durante el procedimiento permite una guía de imagen en tiempo real, facilitando ajustes intraoperatorios basados en la anatomía específica del paciente (33). Para la intervención coronaria percutánea (PCI), la planificación asistida por IA mediante angio-TC ha mejorado la detección de enfermedad coronaria relevante antes de la intervención (34). Además, la combinación de IA con imágenes intravasculares (IVUS) optimiza la colocación de stents con una precisión superior a la angiografía convencional, correlacionándose con mejores resultados clínicos (35). En el campo de la electrofisiología, los sistemas de navegación en tiempo real impulsados por IA procesan electrogramas con mayor rapidez y exactitud que los métodos tradicionales, permitiendo un mapeo más preciso para la ablación de arritmias y reduciendo las tasas de recurrencia (36,37). 3.3.2 Convergencia de IA y farmacogenómica: hacia la dosis de precisión La fusión de la IA con la farmacogenómica representa un avance hacia la medicina de precisión, permitiendo adaptar la selección y dosificación de fármacos al perfil genético individual para minimizar eventos adversos. Algoritmos avanzados pueden analizar polimorfismos en enzimas metabolizadoras, como el CYP450, para informar decisiones de dosificación en fármacos con estrecho margen terapéutico, una práctica vital en el manejo de la hipertensión y la anticoagulación (38,39). Además, sistemas de IA dedicados a la farmacovigilancia y análisis geoespacial están facilitando la estratificación del riesgo de toxicidad farmacológica, como la cardiotoxicidad asociada a fluoroquinolonas, identificando pacientes vulnerables antes de la exposición al fármaco (40). La capacidad de estos sistemas para integrar datos genéticos y clínicos permite también la identificación preventiva de interacciones 76 Rev UniNorte Med •Franco et al. fármaco-fármaco (DDIs) peligrosas, reduciendo la probabilidad de resultados cardiovasculares severos (41,42). 3.3.3 Sistemas de soporte a la decisión (CDSS) y reducción de la inercia terapéutica Finalmente, la implementación de Sistemas de Soporte a la Decisión Clínica (CDSS) basados en IA ha mostrado ser eficaz para combatir la inercia terapéutica y mejorar la adherencia a las guías de práctica clínica. Revisiones sistemáticas confirman que estos sistemas, al proporcionar alertas en tiempo real y recomendaciones basadas en evidencia, incrementan el cumplimiento de los protocolos de manejo en enfermedades crónicas (43,44). En el manejo de la hipertensión y la insuficiencia cardíaca, los CDSS actúan impulsando a los clínicos a iniciar o intensificar terapias de manera oportuna cuando no se alcanzan las metas terapéuticas, superando barreras conductuales del médico (1,2). Esta asistencia automatizada no solo estandariza la calidad de la atención, sino que optimiza la selección de medicamentos en escenarios complejos (45). 3.4 DESAFÍOS DE IMPLEMENTACIÓN: LA «CAJA NEGRA», INEQUIDAD ALGORÍTMICA Y BARRERAS SISTÉMICAS A pesar de la eficacia técnica descrita, la adopción generalizada de la IA en cardiología enfrenta obstáculos críticos que trascienden el rendimiento algorítmico. La literatura identifica tres barreras fundamentales: la opacidad de los modelos, los sesgos éticos y las limitaciones económicas y operativas. 3.4.1 El dilema de la «caja negra» y la confianza médica La naturaleza opaca de los modelos de aprendizaje profundo (Deep Learning), a menudo denominados «cajas negras», representa un obstáculo significativo para la confianza médica. La incapacidad de estos algoritmos para explicitar la lógica detrás de una predicción genera escepticismo e incertidumbre entre los clínicos, lo que limita su integración en flujos de trabajo donde la seguridad del paciente es primordial (9,10). Para mitigar esto, el campo de la Inteligencia Artificial Explicable (XAI) ha propuestosolucionestécnicas: métodoscomo LIME (Local InterpretableModel-Agnostic Explanations)permiten aproximarexplicacioneslocalesparaprediccionesindividuales (46), mientras que enfoques basados en la teoría de juegos, como SHAP (SHapley Additive exPlanations), cuantifican la contribución de cada variable al resultado final (47). Adicionalmente, el uso de mapas de calor visuales (p. ej., Grad-CAM) en radiología y ecocardiografía ayuda a los médicos a validar qué regiones anatómicas influyeron en la decisión del algoritmo (48), y el uso de modelos sustitutos (surrogate models) simplifica algoritmos complejos para hacerlos inteligibles (49). 3.4.2 Sesgos algorítmicos e inequidad en salud Una preocupación ética central es la perpetuación de inequidades en salud debido a sesgos en los datos de entrenamiento. La evidencia señala que los modelos entrenados en poblaciones no representativas sufren de falta de generalización y pueden fallar en subgrupos demográficos específicos. Por ejemplo, Puyol-Antón et al. documentaron discrepancias significativas en el rendimiento de segmentación de resonancia 77 IA en la práctica cardiológica magnética (RMN) entre grupos raciales, evidenciando métricas inferiores para ciertas minorías (11). De igual forma, herramientas de detección de arritmias pueden fallar al reconocer patrones en condiciones poco frecuentes si estas están subrepresentadas en los datos (12). Estos sesgos no solo reducen la precisión clínica, sino que exacerban disparidades sistémicas (50,51). Las estrategias de mitigación propuestas incluyen la diversificación activa de los conjuntos de datos (52) y la implementación de auditorías de equidad mediante herramientas como Aequitas para monitorear el desempeño del modelo a través de diferentes subpoblaciones (53,54). 3.4.3 Barreras económicas y de flujo de trabajo Finalmente, la viabilidad práctica de la IA se ve obstaculizada por factores económicos y organizacionales. Los altos costos iniciales de infraestructura y la incertidumbre sobre el retorno de inversión (ROI) disuaden a muchas instituciones de salud de adoptar estas tecnologías. Además, la integración de herramientas de IA en los sistemas de registro electrónico de salud (EHR) existentes presenta desafíos de interoperabilidad costosos. A nivel operativo, la disrupción de los flujos de trabajo establecidos y la necesidad de capacitación especializada generan resistencia entre los profesionales, quienes pueden percibir estas herramientas como una carga de tiempo adicional o una amenaza a su autonomía clínica. Superar estas barreras requiere demostrar valor clínico y económico tangible, así como desarrollar interfaces interoperables que se integren sin fricción en la práctica diaria. 4 DISCUSIÓN La presente revisión integrativa confirma que la cardiología se encuentra en un punto de inflexión histórico, transitando de un modelo basado en la evidencia poblacional y la interpretación visual subjetiva, a uno fundamentado en la medicina de precisión y el análisis de datos masivos. Los hallazgos sintetizados sugieren que la inteligencia artificial (IA) no es simplemente una mejora incremental de las herramientas existentes, sino una tecnología disruptiva que redefine la jerarquía del conocimiento médico, permitiendo superar las limitaciones cognitivas humanas como la fatiga y la variabilidad interobservador. La capacidad de los algoritmos de aprendizaje profundo para automatizar la segmentación en resonancia magnética (RMN) y ecocardiografía con alta fidelidad libera al especialista de tareas repetitivas, permitiéndole centrarse en la interpretación clínica de alto nivel (7,19). Sin embargo, esta evolución tecnológica presenta dualidades que deben ser gestionadas con cautela clínica. Por un lado, emerge una paradoja en el cribado ambulatorio: la alta sensibilidad de los dispositivos ponibles —reportada hasta en un 99.6% para la detección de fibrilación auricular (6)— conlleva el riesgo inherente de generar falsos positivos derivados de artefactos de movimiento. Esto subraya que la IA en esta etapa no debe interpretarse como una herramienta diagnóstica autónoma, sino como un sistema de triaje avanzado que requiere, obligatoriamente, la confirmación mediante métodos estándar como el ECG de 12 derivadas (17). 78