Predecir la mortalidad a partir de un ECG, sin etiquetas: qué mide en realidad el «error de reconstrucción» de un autocodificador
Un equipo de la Medical University de Innsbruck entrenó un autocodificador enmascarado con 7,2 millones de electrocardiogramas brasileños, sin mostrarle nunca quién iba a morir. La idea: cuanto más se aparta un ECG de la «normalidad» aprendida, mayor es su error de reconstrucción, y mayor sería el riesgo de muerte. Validado en 1,6 millones de pacientes de tres continentes, el score predice bien la mortalidad por cualquier causa —pero un examen atento muestra que la palabra «autosupervisado» esconde una selección guiada por las etiquetas, y que la cifra estrella nunca aísla lo que el ECG aporta más allá de la edad.
El contexto
Las enfermedades cardiovasculares siguen siendo la primera causa de muerte en el mundo, más de 19 millones de fallecimientos al año. Se quisiera detectar pronto a las personas de alto riesgo, pero los scores clínicos clásicos se apoyan en variables (tensión, colesterol, antecedentes) a veces no disponibles, mal medidas o poco discriminantes a escala individual. El electrocardiograma (ECG), el registro de la actividad eléctrica del corazón mediante doce derivaciones colocadas sobre la piel, es en cambio casi universal, barato y no invasivo: un soporte ideal para un score de riesgo automatizable.
Desde hace unos años, modelos de IA leen el ECG para predecir un riesgo. La mayoría son supervisados: se les da un objetivo (por ejemplo la edad del paciente) y el score de riesgo pasa a ser la diferencia entre la predicción del modelo y el valor real —la conocida «edad ECG» superior a la edad real. El problema, subrayan los autores, es que ese score depende de la elección del objetivo: el modelo puede aprender artefactos propios de la cohorte de entrenamiento o del desenlace buscado, en vez del propio señal cardíaca. De ahí su apuesta: construir un score sin etiqueta, enteramente intrínseco al ECG. Dos claves de lectura para lo que sigue. El hazard ratio (HR) es un multiplicador de riesgo: un HR de 1,40 significa que el riesgo de muerte aumenta un 40 % por cada escalón del score. El C-index mide la capacidad de ordenar correctamente a dos pacientes según su supervivencia; 1,0 es perfecto, 0,5 equivale al azar.
El método
El núcleo del trabajo es un autocodificador enmascarado (masked autoencoder). Un autocodificador es una red que comprime una entrada y luego intenta reconstruirla idéntica; «enmascarado» significa que se oculta parte de la señal y se pide al modelo que la adivine a partir del resto. Ese aprendizaje se llama autosupervisado: sin etiquetas humanas, el modelo aprende solo de la estructura de la señal. La arquitectura elegida es un Vision Transformer (ViT), una red que divide la entrada en teselas y pondera su importancia relativa mediante un mecanismo de atención —aquí en una versión «Tiny», deliberadamente pequeña.
El modelo se preentrena con el 85 % del conjunto CODE, es decir 7 212 109 ECG de una red de telemedicina del estado de Minas Gerais (Brasil), registrados sobre todo en atención primaria entre 2010 y 2016. Cada ECG se reduce a 100 Hz, se filtra y se normaliza derivación por derivación, y luego se divide en 36 teselas de las que se enmascara el 80 %; el modelo aprende a reconstruir las porciones ocultas. En el uso, el error de reconstrucción es la diferencia media entre el ECG real y su reconstrucción, promediada sobre cinco pasadas. La lógica es simple: un trazado «normal», próximo a lo que el modelo vio en masa, se reconstruye bien (error bajo); un trazado atípico se reconstruye mal (error alto). Ese error se convierte en el score de riesgo.
Un detalle de método, decisivo para la lectura crítica: aunque el entrenamiento sea sin etiqueta, el punto de parada del modelo (2 600 pasos, menos de una época) y su tamaño se eligieron porque maximizaban la predicción de mortalidad en la cohorte interna. Dicho de otro modo, las etiquetas de muerte sí entraron en algún punto de la fabricación del score. Hecho contraintuitivo que los autores reportan con honestidad: los modelos más grandes y mejor entrenados reconstruyen mejor el ECG… pero predicen peor la mortalidad. Se conservó un modelo deliberadamente «mediocre» en reconstrucción.
Los resultados
La validación es de gran amplitud: unos 1,6 millones de participantes, seis cohortes en tres continentes —CODE-15 % (Brasil, atención primaria, interna), MIMIC-IV-ECG (EE. UU., cuidados críticos), HEEDB (EE. UU., hospitalaria), CHRIS (Italia, población general), Innsbruck (Austria, cardiología) y UK Biobank (Reino Unido). El seguimiento mediano va de 1,4 a 11 años, y la mortalidad a 5 años del 1,0 % (CHRIS) al 14,0 % (MIMIC-IV-ECG). Por cada aumento de una desviación estándar del error de reconstrucción, ajustado por edad y sexo, el riesgo de muerte sube de forma consistente: HR de 1,39 en CODE-15 % (C-index 0,810), 1,39 en MIMIC (0,731), 1,41 en HEEDB (0,740), 1,23 en Innsbruck (0,741) y 1,25 en CHRIS (0,896). Todos los intervalos de confianza excluyen claramente el azar.
La señal es netamente más fuerte a corto plazo. En HEEDB, el HR pasa de 1,46 a 5 años a 1,61 a 1 año y 2,00 a 30 días; el área bajo la curva media (una variante temporal del C-index) vale 0,776 a 30 días pero cae a 0,667 a 5 años. Traducción clínica: un paciente en el percentil 90 del error tiene unas seis veces el riesgo de muerte a 30 días de uno en el percentil 10 —cifra ilustrativa, extrapolada sobre 2,6 desviaciones estándar suponiendo una relación log-lineal. En versión binaria (umbral fijado en una desviación estándar por encima de la media brasileña), los pacientes «de alto riesgo» tienen un HR de 2,00 en MIMIC, 1,95 en HEEDB, 1,53 en Innsbruck, hasta 1,27 en UK Biobank. Pero la proporción clasificada de alto riesgo varía enormemente según la cohorte: del 1,8 % (CHRIS) al 25,3 % (MIMIC) —indicio de que el umbral no se transporta tal cual de una población a otra.
Lo que está bien
Código, pesos y datos abiertos, sin dinero de la industria. El código y los pesos del modelo se publican en GitHub bajo licencia CC BY 4.0, y los grandes conjuntos de datos (CODE, MIMIC-IV-ECG, HEEDB, CHRIS, UK Biobank) son accesibles bajo solicitud. La financiación es exclusivamente interna de la Medical University de Innsbruck, sin patrocinador comercial, y no se declara conflicto de intereses. En un tema donde proliferan los scores propietarios, esta transparencia permite a cualquiera reproducir y auditar el análisis.
Una validación externa rara por su escala y su franqueza. Enfrentar el mismo score a seis cohortes —atención primaria brasileña, cuidados intensivos estadounidenses, población general italiana, cardiología austríaca— sobre 1,6 millones de personas es un esfuerzo de generalización muy por encima de la media del campo. Y el equipo no oculta las heterogeneidades incómodas: señala, por ejemplo, que la mortalidad de CHRIS, obtenida por esquelas y contacto familiar, probablemente subestima las muertes y atenúa el HR.
Una idea elegante, y un resultado contraintuitivo reportado sin suavizarlo. Fundar el riesgo en la sola «distancia a la normalidad» de un ECG, sin objetivo externo, es conceptualmente limpio. Sobre todo, descubrir que un modelo que reconstruye peor predice mejor la mortalidad es el tipo de resultado incómodo que uno tiende a enterrar; aquí se describe y se discute, lo que dice mucho de la madurez del análisis —aunque, como veremos, también debería inquietarnos.
Lo que está menos bien
La palabra «autosupervisado» esconde una fuga por la selección de modelo. El argumento de venta del artículo es un score «sin etiqueta». Pero el punto de parada y el tamaño del modelo se eligieron por su rendimiento de mortalidad en CODE-15 %. Las etiquetas de muerte guían, pues, la construcción del score, y CODE-15 % deja de ser una validación interna realmente independiente: sus C-index son optimistas. Es una forma de data leakage por la puerta de la selección de modelo —sutil, apenas mencionada, pero que debilita la promesa central. El resultado contraintuitivo «peor reconstrucción = mejor predicción» es de hecho una señal de alarma: sugiere que lo que predice no es la calidad del modelado cardíaco, sino otra cosa que la reconstrucción degradada deja pasar.
La métrica estrella nunca aísla el aporte propio del ECG, y no hay un comparador real. Todos los C-index reportados (0,73 a 0,90) provienen de modelos que ya incluyen la edad y el sexo. Y la edad por sí sola es un predictor masivo de mortalidad —el C-index de 0,896 en CHRIS está casi con certeza sostenido por la edad, no por el ECG. El artículo no aporta ni ganancia de C-index ni índice de reclasificación del score respecto a la edad y el sexo solos: no sabemos, por tanto, qué añade realmente el error de reconstrucción. A ello se suma la ausencia de comparador: ninguna confrontación directa con un score AI-ECG supervisado existente ni con un score de riesgo clínico establecido. Un HR elevado «además de la edad» no es prueba de utilidad mientras no se haga ese test.
Un atajo probable: el score capta el estado agudo, no solo el riesgo intrínseco. El error de reconstrucción podría ser sobre todo un marcador de «paciente enfermo ahora mismo» —ruido, artefacto, arritmia, marcapasos, ECG de reanimación— más que un riesgo cardíaco de fondo. Tres indicios convergen: la señal es más fuerte a 30 días y se debilita a 5 años; es en cuidados intensivos (MIMIC) donde la tasa de pacientes etiquetados de alto riesgo se dispara al 25 %; y el modelo, infraentrenado, produce reconstrucciones casi nulas en la derivación III —un artefacto de aprendizaje, no fisiología. Este posible shortcut learning, unido a un umbral no transportable (1,8 % frente a 25,3 % de pacientes «de alto riesgo» según la cohorte), a la naturaleza retrospectiva del estudio, a la ausencia de mortalidad de causa específica (todo es «por cualquier causa») y al estatus de preprint no revisado, impone prudencia.
Lo que cambia
Para la comunidad investigadora, el estudio es a la vez una buena idea y un caso de escuela metodológico. Los scores de riesgo autosupervisados son una vía atractiva —escapan al sesgo de la elección de objetivo— pero su evaluación debe superar dos listones que este trabajo aún no supera: aislar la ganancia más allá de la edad y el sexo (ganancia de C-index, reclasificación) y demostrar que la señal no es un simple proxy de gravedad aguda. El verdadero trabajo está ahí: validación prospectiva, desenlaces de causa específica y selección de modelo que no se apoye en las etiquetas de salida.
Para los clínicos, nada cambia hoy, y esa es la información útil: se trata de un prototipo de investigación, sin validación prospectiva, sin comparación con un score existente, con un umbral que se recalibra de una población a otra. Ninguna decisión de cuidado debe derivarse de él. El mérito del score es heurístico —podría, a la larga, señalar ECG «atípicos» que merezcan una segunda mirada— no decisional.
Para los pacientes y el público, la historia es un buen antídoto contra los titulares del tipo «una IA lee tu ECG y predice tu muerte». La pregunta a plantear no es «¿qué tasa de acierto tiene?» sino «¿supera un simple cálculo de edad, y se probó en condiciones reales, en prospectivo?». Aquí, la respuesta honesta es: aún no lo sabemos. Es precisamente lo que el artículo, en su honor, no oculta —y lo que su envoltorio «autosupervisado» tiende a pesar de todo a hacer olvidar.
Para ir más lejos
El preprint está disponible en medRxiv (2026.07.10.26357749), depositado en julio de 2026 por Angus Nicolson, Samuel Pröll, Riccardo Lunelli, Hagen Blankenburg, Peter Pramstaller, Christian Fuchsberger, Axel Bauer y Clemens Dlaska (Medical University Innsbruck; Eurac Research, Bolzano); aún no ha sido revisado por pares. El código y los pesos están en GitHub. Sobre la IA aplicada al ECG y los scores pronósticos, véanse nuestros decryptages sobre otro aprendizaje autosupervisado sobre el ECG de 12 derivaciones, sobre la predicción de mortalidad en cuidados intensivos sobre MIMIC-IV y la importancia de la calibración, y sobre la predicción de fibrilación auricular a partir de un ECG portátil.
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.