Clasificar un electrocardiograma de urgencia desde su imagen: un conjunto ConvNeXt se acerca a los cardiólogos en 18 519 trazados

Un equipo del Instituto del Corazón de São Paulo entrena un modelo de aprendizaje profundo para clasificar un electrocardiograma de urgencia no a partir de la señal digital, sino de su imagen — un trazado en papel escaneado, un PDF o una foto de teléfono. Sobre 18 519 ECG de urgencia repartidos en 12 categorías y etiquetados por 19 cardiólogos, su conjunto de modelos ConvNeXt alcanza un F1 macro de 0,807, justo por debajo del 0,820 de los cardiólogos anotadores, y supera a un algoritmo comercial en la mayoría de las categorías. Lo relevante no es una puntuación récord: es mostrar que puede aprovecharse la masa de ECG que solo existen como imagen, y que el verdadero techo de rendimiento es el acuerdo entre lectores, no el tamaño del conjunto de entrenamiento.

El contexto

El electrocardiograma es la prueba de primera línea de toda urgencia cardíaca: doce derivaciones, unos segundos de registro y, a veces, una decisión vital al final — un infarto en curso se trata en minutos. En la última década, el aprendizaje profundo ha avanzado enormemente en el ECG, pero casi siempre a partir de la señal digital: la serie temporal bruta de voltajes, limpia y estructurada, tal como la guarda un aparato moderno. Sin embargo, gran parte de la realidad clínica no se parece a eso.

En muchos servicios de urgencias, y más aún en sistemas de salud con recursos limitados, el ECG circula como imagen: un trazado impreso en papel milimetrado, un informe escaneado, un PDF de archivo o una simple foto tomada con el teléfono para pedir una opinión a distancia. La señal digital original suele ser inaccesible — perdida, propietaria o nunca exportada. Toda una clase de modelos entrenados sobre la señal queda entonces inutilizable. La pregunta que plantea este preprint de Felipe Meneguitti Dias y sus colegas de InCor (Heart Institute, Hospital das Clínicas, Facultad de Medicina de la Universidad de São Paulo) es directa: ¿se puede clasificar de forma fiable un ECG de urgencia leyendo únicamente su imagen?

El método

Los autores construyen InCor-EMG, un conjunto de 18 519 ECG de urgencia adjudicados por expertos. Cada trazado se asigna a una de 12 categorías de ECG (los distintos tipos de ritmos y anomalías eléctricas que se ven en urgencias), y las etiquetas provienen de un panel de 19 cardiólogos. Este punto importa: la «verdad de referencia» no es una medida objetiva sino un consenso de expertos, con sus zonas de acuerdo firme y sus casos discutidos.

La entrada del modelo no es la señal sino la imagen del trazado. El sistema se basa en ConvNeXt, una arquitectura moderna de red neuronal convolucional (una familia de modelos especializados en el análisis de imágenes, aquí actualizada para competir con los transformadores visuales). En lugar de una sola red, los autores usan un conjunto (ensemble): varios modelos cuyas predicciones se agregan, técnica clásica para ganar robustez y suavizar los errores individuales.

La métrica principal es el F1-score, que combina en una sola cifra la precisión (de los trazados señalados de una categoría, cuántos lo son con razón) y la sensibilidad o recall (de los casos reales de una categoría, cuántos se recuperan). El F1 macro es su promedio sobre las 12 categorías tratándolas con igual peso — una elección exigente, porque una categoría rara pesa tanto como una frecuente y no puede quedar diluida. Dos comparadores sirven de referencia: los cardiólogos que anotan (el comparador humano) y Mortara Veritas, un algoritmo comercial de interpretación automática de ECG ampliamente implantado. Por último, para probar la solidez, los autores evalúan el modelo sobre versiones escaneadas y fotografiadas de los trazados, sobre imágenes públicas heterogéneas de la biblioteca educativa LITFL, y en una evaluación temporal (ECG posteriores al periodo de entrenamiento).

Los resultados

En el conjunto de prueba reservado, el conjunto ConvNeXt obtiene un F1 macro de 0,807 (intervalo de confianza del 95 %: 0,788–0,825). Los cardiólogos anotadores se quedan en 0,820 (0,805–0,832). Es decir, el modelo de imagen queda a alrededor de uno y medio centésimos del referente humano — y los intervalos de confianza se solapan ampliamente. Frente a Mortara Veritas, el algoritmo comercial, el modelo logra un mejor F1 en la mayoría de las categorías evaluadas.

El resultado más instructivo no es la puntuación bruta sino una correlación: el rendimiento por categoría se vincula más al acuerdo entre lectores que al tamaño de la muestra de entrenamiento. En claro, el modelo acierta donde los propios cardiólogos coinciden, y tropieza donde los expertos dudan — no necesariamente donde faltan ejemplos. Es una forma elegante de mostrar que el techo de este tipo de sistema lo fija la calidad y la coherencia de las etiquetas humanas, no solo los datos que se le dan a procesar.

Las evaluaciones de robustez van en buena dirección: el modelo sigue siendo informativo sobre ECG escaneados y fotografiados, y las pruebas sobre imágenes públicas heterogéneas y sobre una ventana temporal posterior siguen siendo «de apoyo», sin desplome. La traducción clínica honesta: un F1 macro de 0,807 sobre 12 categorías significa una lectura globalmente buena pero desigual de una categoría a otra — para las clases más ambiguas o más raras, una parte no despreciable de los trazados quedará mal clasificada. Eso basta para desbrozar, para triar, para alertar; no sustituye al ojo de un cardiólogo ante un infarto de miocardio donde cada minuto cuenta.

Lo que está bien

Un problema real y desatendido, tomado en serio. Casi toda la literatura ECG-IA supone que se dispone de la señal digital limpia. Este trabajo parte de la realidad inversa — el trazado solo existe como imagen — que es precisamente la de las urgencias saturadas y los sistemas de salud sin infraestructura de exportación. Es un encuadre clínico pertinente, no una demostración de laboratorio.

Un doble comparador, humano y comercial. Muchos artículos se conforman con una puntuación aislada. Aquí, el rendimiento se contrasta con los cardiólogos anotadores y con un algoritmo comercial realmente en uso (Mortara Veritas). Ofrecer ambos puntos de referencia permite al lector situar el modelo sin tener que creer al autor sin más.

Honestidad sobre el verdadero cuello de botella. Mostrar en negro sobre blanco que el rendimiento sigue al acuerdo entre lectores más que al tamaño de los datos es una aportación metodológica útil: desplaza el debate de «más datos» a «mejores etiquetas» y modera de antemano las promesas de mejoras fáciles por simple escalado.

Lo que está menos bien

Un solo centro, sin validación clínica prospectiva: el modo de fallo del sesgo de población. Todos los datos de entrenamiento y prueba vienen de un único instituto, el InCor de São Paulo, con sus aparatos, sus formatos de impresión y su población. Un modelo que lee imágenes está especialmente expuesto al desplazamiento de dominio: otro hospital imprime en otro papel, con otra cuadrícula, otras tipografías, otros ajustes. Las imágenes públicas LITFL ofrecen un atisbo de generalización, pero al ser educativas y heterogéneas, no equivalen a una validación externa multicéntrica — y no se realiza ninguna evaluación prospectiva en condiciones reales.

Un techo fijado por las propias etiquetas: el modo de fallo de la métrica engañosa. El comparador humano es también la fuente de las etiquetas: se mide así el modelo contra el blanco que sirvió para entrenarlo, una forma de circularidad. El tranquilizador F1 macro de 0,807 agrega 12 categorías de frecuencias muy desiguales y puede ocultar lagunas en las clases raras o discutidas — justo aquellas donde el acuerdo entre cardiólogos es débil y donde un error puede importar más. La cifra global no dice nada de los umbrales operativos por categoría.

El riesgo del atajo y una reproducibilidad parcial. Un modelo entrenado sobre imágenes puede aprender indicios de maquetación — tipo de cuadrícula, marca del aparato, disposición de las derivaciones — en vez de la morfología eléctrica del trazado (shortcut learning). Nada prueba que sea el caso aquí, pero la arquitectura de imagen está intrínsecamente expuesta, y el preprint no disipa del todo la duda. En cuanto a la reproducibilidad, el conjunto InCor-EMG no puede difundirse (datos de salud sujetos a la ley brasileña LGPD, licencia CC BY-NC): solo se comparten algunas muestras, el código de inferencia y las predicciones en GitHub. Cabe señalar, por último, sin conflicto de interés declarado, un financiador industrial entre las fuentes (FAPESP, Fundação Zerbini y Foxconn Brazil) — un contexto útil de conocer.

Lo que cambia

Para la comunidad de investigación, el mensaje es doble. Primero, clasificar el ECG desde su imagen es una vía creíble, no un recurso de emergencia: abre la explotación de los enormes archivos de trazados que solo existen en papel o en PDF. Segundo, y más de fondo, el rendimiento choca con el acuerdo entre expertos — invertir en protocolos de anotación más coherentes podría rendir más que apilar ejemplos adicionales.

Para los clínicos, nada es desplegable tal cual: modelo monocéntrico, retrospectivo, sin validación prospectiva. Pero el escenario que persigue es acertado — un dispositivo capaz de pre-clasificar un ECG fotografiado, allí donde no hay señal digital disponible y el consejo especializado está lejos, tendría valor real en guardias, telemedicina o zonas con pocos recursos. A condición de limitarlo al triaje y la alerta, nunca a decisiones autónomas en urgencias vitales. Para los pacientes y el público, la idea a retener es simple y matizada: una foto de ECG podrá cada vez más ser analizada por una máquina para ganar tiempo, pero la lectura final sigue siendo cosa de un médico — una clasificación automática no es ni un diagnóstico ni una garantía.

Para profundizar

El preprint está disponible en medRxiv (DOI 10.64898/2026.06.18.26355968), y los materiales de reproducibilidad (muestras, código de inferencia, predicciones) en el repositorio GitHub de los autores. Sobre la IA aplicada al ECG desde otro ángulo, véase nuestro análisis de la predicción de fibrilación auricular en un ECG portátil; sobre la lectura automática de imágenes clínicas y cómo informarla, el del formato de explicación en radiología.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones inglesa, española y china producidas con asistencia de IA y revisadas.