¿Ayudan las explicaciones visuales a interpretar un ECG con IA?

Un mapa que resalta partes del ECG puede parecer convincente. Para saber si aporta valor hay que medir dos cosas diferentes: si ayuda al profesional a decidir y si el algoritmo conserva su desempeño cuando cambia la señal. Dos preprints publicados el 19 de octubre de 2026 exploran esas preguntas. Ninguno ha sido revisado por pares. ^{[20] [21]}

Kagawa y colaboradores estudiaron imágenes de ECG de dos hospitales japoneses para diferenciar Takotsubo de infarto anterior con elevación del ST. Las cohortes, incluidos controles sanos, reunieron 832 y 95 participantes. En 70 lectores, la probabilidad estimada de respuesta correcta pasó de 0,632 sin ayuda a 0,864 con IA. En una fase aleatorizada, añadir mapas Grad-CAM aportó una mejora frente a mostrar la predicción sin mapas: OR 1,53; IC95 % 1,04–2,25. ^[20]

La validación externa fue pequeña y se incluyeron ECG hasta 14 días después del inicio de síntomas, independientemente de la reperfusión. Un ejercicio de lectura no demuestra mejores decisiones de urgencias, menor mortalidad ni utilidad preventiva. Los autores declararon no tener conflictos. Para esta nota se consultó el resumen y la declaración de intereses. ^[20]

Bou Ali y Mahmoud compararon entrenamiento con derivaciones ocultadas al azar frente a añadir una guía de atención basada en criterios clínicos. Usaron PTB-XL y validación externa en CODE-15% de Brasil. La guía no mejoró la robustez: diferencia de AUROC −0,0010, con IC95 % de −0,0033 a 0,0006; además, empeoró la pendiente de calibración en los seis diagnósticos estudiados. ^[21]

El segundo trabajo es un análisis de bases públicas con pérdida simulada de derivaciones, no un estudio prospectivo de atención. No reproduce todos los errores de adquisición. Sus autores declararon no tener conflictos; se consultaron el resumen y las declaraciones públicas. La presencia de datos brasileños aporta interés regional, pero no valida el funcionamiento en Colombia o con otros equipos. ^[21]

Nuestra propuesta para evaluar interfaces clínicas es medir aciertos, tiempo de lectura y respuesta ante desacuerdo con la IA; por separado, comprobar calibración y fallos de señal. Estos trabajos no permiten prometer que una explicación visual haga más seguro cualquier sistema. Sus resultados corresponden a los modelos investigados, no a nCardio ni a MedTek.