Resincronización cardíaca: un gemelo digital para elegir dónde colocar el electrodo en el seno coronario — piloto de 74 pacientes, nada validado de forma prospectiva

Un equipo de las universidades de los Urales (Rusia) propone una herramienta de apoyo a la decisión para la terapia de resincronización cardíaca: a partir de un gemelo digital del corazón reconstruido por imagen, de simulaciones electrofisiológicas y de un clasificador explicable, asigna a cada emplazamiento posible del electrodo del ventrículo izquierdo, dentro del seno coronario, una probabilidad predicha de respuesta al tratamiento. Sobre 74 candidatos, el modelo supera a un calculador clínico de referencia (exactitud 0,78 frente a 0,58; AUC 0,78 en validación interna). Pero la validación es retrospectiva e interna, la cohorte pequeña, se fusionaron dos conjuntos de datos heterogéneos, y el resultado central — para cinco no respondedores, «otra posición del electrodo habría producido una respuesta» — sigue siendo una predicción in silico que los propios autores se niegan a presentar como un hecho clínico.

El contexto

La terapia de resincronización cardíaca (CRT) trata la insuficiencia cardíaca con bloqueo de rama izquierda: se implanta un marcapasos que dispara ambos ventrículos a la vez para corregir su contracción desincronizada. El problema conocido del campo es que este tratamiento fracasa en cerca del 30 % de los pacientes, a menudo porque el electrodo que estimula el ventrículo izquierdo se coloca en un mal sitio. Ese electrodo circula por el seno coronario, la red de venas en la superficie del corazón, y el cirujano solo dispone de una elección limitada de ramas accesibles.

¿Cómo elegir la mejor rama antes de la intervención? Las estrategias propuestas hasta ahora apuntan a la zona del ventrículo izquierdo activada más tardíamente, evitan las áreas de fibrosis (tejido cicatricial que conduce mal la electricidad), o maximizan un retardo eléctrico medido en la implantación. Ninguna, señalan los autores, combina en una misma optimización la anatomía venosa propia del paciente, el mapa de su fibrosis y el efecto eléctrico simulado de estimular en tal o cual punto preciso. Y ninguna recomendación oficial impone un método de optimización del sitio. Es este vacío el que el artículo busca colmar.

El método

La pieza central es un gemelo digital (digital twin): una copia informática del corazón de un paciente, construida a partir de su TC (anatomía de los ventrículos y las venas coronarias) y de una RM de realce tardío con gadolinio (LGE-MRI, que revela la fibrosis). Los ventrículos, pulmones, tórax y seno coronario se segmentan manualmente; la fibrosis se cartografía y luego se integra en una malla volumétrica. Sobre este modelo, la propagación de la onda eléctrica se simula mediante un modelo Eikonal — una ecuación que calcula el tiempo de llegada del frente de activación en cada punto — con una conducción ralentizada (factor 0,3) en las zonas fibróticas. El modelo se calibra ajustando la duración del QRS simulado al electrocardiograma real del paciente.

Sobre este gemelo se simula la estimulación biventricular en múltiples sitios candidatos a lo largo de las venas accesibles, y se extraen índices electrofisiológicos. Estos índices simulados se fusionan con variables clínicas (fracción de eyección, volúmenes ventriculares, duración del QRS) y medidas geométricas (distancia del electrodo a la fibrosis, distancia a la zona de activación tardía) para formar un conjunto de características «híbrido». Un clasificador de aprendizaje automático recibe este vector y produce un score entre 0 y 1: la probabilidad predicha de respuesta a la CRT para ese sitio preciso. Algunas características se recalculan en cada emplazamiento, lo que permite una predicción sitio por sitio.

La cohorte reúne 74 candidatos del Almazov National Medical Research Centre (San Petersburgo): 55 pacientes de un trabajo anterior (sin anatomía venosa detallada) y 19 pacientes nuevos con venografía por TC y cartografía fina de la fibrosis. La respuesta se define por ecografía como una mejora de la fracción de eyección de más del 10 % al año. El conjunto cuenta con 30 respondedores (40,5 %) y 44 no respondedores (59,5 %). El pipeline comparó cinco algoritmos; el mejor es una máquina de vectores de soporte (SVM) con núcleo gaussiano, que retiene 11 variables. La evaluación usa leave-one-out cross-validation (LOO-CV: se entrena con 73 pacientes, se prueba en el 74.º, y se repite para cada uno), con todas las etapas de preprocesado encerradas en cada pliegue para evitar la fuga de datos. Un análisis SHAP (que asigna a cada variable su contribución al score) aporta la explicación de cada predicción.

Los resultados

En validación interna, el clasificador alcanza una AUC de 0,78, una exactitud de 0,78, una sensibilidad de 0,80 y una especificidad de 0,77. La AUC (área bajo la curva ROC) mide la capacidad de ordenar a un respondedor por delante de un no respondedor: 0,78 significa que, al extraer al azar un respondedor y un no respondedor, el modelo asigna la puntuación más alta al correcto unas 78 veces de cada 100. Comparado sobre la misma cohorte con el calculador clínico de referencia (Feeny et al.), el modelo lo hace notablemente mejor: exactitud 0,78 frente a 0,58, F1-score 0,75 frente a 0,43. Un análisis bootstrap (200 remuestreos) arroja una AUC media de 0,85 (IC del 95 %: 0,70–0,95). Las variables más influyentes, según SHAP, son la fracción de eyección de partida (cuanto más alta, más baja el score de mejora), la clase de insuficiencia cardíaca, el IMC, y luego la distancia del electrodo a la fibrosis y a la zona de activación tardía.

El resultado destacado concierne a los 19 pacientes con anatomía venosa reconstruida, de los cuales 13 eran en realidad no respondedores. Para 8 de ellos, el modelo no encuentra ningún sitio accesible en el seno coronario que dé una puntuación positiva: la CRT convencional estaría condenada al fracaso sea cual sea el lugar, lo que abogaría por otra estrategia de estimulación. Para los otros 5, el modelo designa un sitio alternativo donde predice una respuesta. Traducción clínica: aún no la hay, y los autores lo dicen. Estos 5 «reclasificados como virtualmente positivos» nunca fueron implantados en el sitio sugerido; es una predicción por ordenador, no un resultado medido en un paciente. Ningún recuento de falsos positivos y falsos negativos en una población real, ninguna validación prospectiva respalda todavía esta promesa.

Lo que está bien

Un problema clínico real, y un enfoque que por fin liga predicción y anatomía. Predecir la respuesta a la CRT es un tema viejo, pero el artículo hace algo nuevo: ancla la predicción a un emplazamiento preciso en las venas realmente accesibles al cirujano, no a una superficie ventricular abstracta. Cartografiar la probabilidad de respuesta a lo largo del seno coronario, antes de la intervención, responde a una pregunta que el profesional se hace de verdad.

Una metodología de ML seria y honesta con sus propias cifras. La fuga de datos se evita activamente (preprocesado dentro de cada pliegue), la optimización de hiperparámetros es anidada, y los autores informan de que el test de permutación es significativo para la AUC pero no significativo para el F1-score (p = 0,26) — es decir, que el umbral de decisión es frágil a este tamaño de muestra, una admisión rara y saludable. La interpretabilidad por SHAP no es un barniz: da, paciente por paciente, la razón anatómica del score.

Una prudencia explícita sobre el alcance. El propio texto califica las reclasificaciones de predicciones «in silico, no validadas clínicamente», señala que dos respondedores mal clasificados no se corrigen con ningún sitio alternativo, y concluye que la validación prospectiva y la evaluación regulatoria son necesarias antes de todo despliegue. Esta contención contrasta con el tono habitual de los anuncios de IA en salud.

Lo que está menos bien

Una validación puramente interna, sobre una cohorte pequeña de un solo centro. Todo descansa en 74 pacientes de un único hospital ruso, en LOO-CV: ninguna validación externa, ninguna cohorte prospectiva. Es un sesgo de población no resuelto — se ignora si el modelo se sostiene en otro centro, otro escáner, otra población. La AUC bootstrap de 0,85 es más halagüeña que la AUC LOO de 0,78 porque remuestrea los mismos datos, y su intervalo de confianza muy amplio (0,70–0,95) delata lo pequeño de la muestra.

El núcleo del resultado no está probado — es circular. El clasificador se entrena sobre el desenlace observado en el sitio realmente implantado, y luego se usa para puntuar sitios hipotéticos donde nadie colocó un electrodo. Afirmar que otro emplazamiento «habría producido una respuesta» supone exactamente lo que habría que probar: que mover el electrodo cambia el desenlace. Sin un ensayo que implante efectivamente en el sitio sugerido, el aporte clínico sigue siendo una conjetura — los autores lo reconocen, pero es justamente el límite que vacía la promesa del título.

Dos conjuntos heterogéneos fusionados, un comparador único, una cadena pesada y no abierta. Los 55 antiguos y los 19 nuevos pacientes difieren significativamente en volúmenes, QRS y fibrosis: un desplazamiento de distribución que el solo Quantile Transformer atenúa sin corregirlo de verdad («no constituye una adaptación de dominio formal»). El único comparador es un calculador clínico alimentado con menos variables, lo que hace esperable la victoria. Por último, la segmentación es manual, la imagen exigida (venografía por TC + RM de realce tardío) no es de rutina, y aunque las piezas son software abierto (FEniCS, scikit-learn), el pipeline no se publica y los datos solo están disponibles «bajo petición». A destacar también: la primera autora es una antigua empleada de XSpline S.p.A., cuyo motor de gemelo digital se usa aquí, y el trabajo está financiado por la Russian Science Foundation.

Lo que cambia

Para la comunidad de investigación, el aporte es claro: una manera de restringir la predicción de respuesta a la geometría venosa real, y una prueba de viabilidad de un gemelo digital acoplado a un clasificador explicable para la planificación preoperatoria. El siguiente paso creíble está trazado de antemano: validación externa multicéntrica, y luego un ensayo que implante realmente en el sitio designado por el modelo y mida la respuesta. Sin ese paso, la cartografía sigue siendo una bella imagen sin prueba de utilidad.

Para los clínicos, hoy no hay nada desplegable: una herramienta de investigación, validada internamente, no aprobada, que exige imagen y simulación fuera del flujo habitual. La idea más inmediatamente útil quizá no sea elegir un sitio, sino detectar de antemano a los pacientes para los que ninguna posición del electrodo promete beneficio — aquellos a quienes habría que orientar de entrada hacia una estimulación del sistema de conducción. Para los pacientes y el público general, el matiz es el mismo que para toda IA de planificación: promesa plausible, método cuidado, pero se habla de un piloto sobre 74 personas, no de una herramienta validada en el quirófano, y la cifra más llamativa («otra posición habría funcionado») describe una simulación, no una operación exitosa.

Para saber más

El preprint está disponible en medRxiv (10.64898/2026.07.01.26356827). Sobre otros modelos pronósticos en cardiología y su calibración, véase nuestro decryptage sobre la predicción del riesgo de ACV isquémico y su calibración multisitio; sobre los límites de un modelo validado solo en interno, el de un random forest frente a deep learning en la pancreatitis aguda; y sobre lo que valen realmente los scores explicables por SHAP, el de un SVM interpretado por SHAP en oncología.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.