Predecir la fibrilación auricular cinco minutos antes: una red neuronal personalizada lee el ECG de dispositivos portátiles (arXiv, 2026)

Publicado el 9 de junio de 2026 en arXiv, este preprint de un equipo de la Universidad Nacional de Seúl entrena una red neuronal para predecir, a partir de un segmento de electrocardiograma (ECG) de una sola derivación de 60 segundos, si un episodio de fibrilación auricular comenzará en los 5 minutos siguientes. Al afinar el modelo con las primeras 24 horas de registro propias de cada paciente, el AUROC — la capacidad de separar un caso positivo de uno negativo — sube de cerca de 0,61 a 0,71 en la cohorte de entrenamiento, y de 0,59 a 0,69 en una cohorte coreana independiente. La idea es atractiva (anticipar la crisis en lugar de detectarla), el código es abierto y la demostración abarca tres bases de datos reales de ECG ambulatorio. Pero el rendimiento sigue siendo modesto, los umbrales de decisión se calibran con los propios datos de prueba de cada paciente, la cohorte de validación europea se reduce a 6 pacientes, y dos de los autores están afiliados a la empresa que fabrica uno de los aparatos estudiados.

El contexto

La fibrilación auricular es el trastorno del ritmo cardíaco sostenido más frecuente: las aurículas del corazón se contraen de forma caótica en lugar de latir con regularidad. Multiplica por cinco el riesgo de accidente cerebrovascular y pesa mucho en la insuficiencia cardíaca. Su forma paroxística es especialmente traicionera: los episodios van y vienen, a veces de solo unos minutos, a menudo sin síntomas, lo que los hace difíciles de captar en un examen puntual.

Los dispositivos portátiles — relojes inteligentes, parches de ECG, holters de larga duración — cambiaron el panorama al permitir registrar el ritmo de forma continua durante días. La mayoría de los algoritmos existentes detectan la fibrilación una vez que ha comenzado. La ambición de este artículo es distinta: predecirla unos minutos antes de su inicio. El reto clínico es concreto. Si se pudiera anunciar de forma fiable una crisis inminente, se podría desencadenar una estrategia llamada «pill-in-the-pocket» (tomar un antiarrítmico a demanda, justo antes del episodio) o alertar en cuidados intensivos, donde una fibrilación con respuesta ventricular rápida puede ser peligrosa. Los trabajos previos sobre esta predicción siguen siendo escasos, a menudo limitados a un solo conjunto de datos y difíciles de reproducir.

El método

El trabajo, firmado por Jangwon Suh, Soonil Kwon, Eue-Keun Choi, Wonjong Rhee y sus colegas (Universidad Nacional de Seúl, CHA University y la empresa SEERS Technology), se apoya en tres bases de ECG ambulatorio de una sola derivación: ICENTIA11K (11.000 pacientes, parche CardioSTAT, 250 Hz), IRIDIA-AF (152 pacientes, holter, 200 Hz) y MobiCARE (379 pacientes, el dispositivo homónimo fabricado por SEERS, 256 Hz, datos privados del hospital universitario de Seúl).

La tarea se formula como una clasificación binaria. Se corta el registro en segmentos de 60 segundos; un segmento se etiqueta como «pre-fibrilación» si precede de inmediato (en los 5 minutos) al inicio de un episodio, y «no-fibrilación» si se sitúa al menos a 20 minutos de cualquier episodio. El modelo debe decir de qué tipo es cada ventana — es decir, predecir la inminencia de una crisis en un horizonte de 5 minutos.

La red es un ResNet 1D de 18 capas — una red neuronal convolucional (CNN), familia especializada en el reconocimiento de patrones, aquí adaptada a la señal de ECG unidimensional; «ResNet» designa una arquitectura con conexiones residuales que facilita el entrenamiento de redes profundas. El número exacto de parámetros no se precisa. El núcleo de la contribución es la personalización: primero se entrena un modelo «global» con la gran base ICENTIA11K, luego se afina (fine-tuning, reentrenamiento ligero) con las ~24 primeras horas de registro de cada paciente, antes de evaluarlo en el resto de su trazado. Cada paciente obtiene así su propio modelo calibrado. El rendimiento se mide con el AUROC y el AUPRC (área bajo la curva precisión-exhaustividad, más exigente cuando las clases están desequilibradas). Los umbrales de decisión se fijan por paciente en el punto que maximiza el índice de Youden — un detalle importante para lo que sigue.

Los resultados

La personalización ayuda, de forma medible pero limitada. En la cohorte interna ICENTIA11K (30 pacientes), el AUROC pasa de 0,614 a 0,711 (p = 0,046) y el AUPRC de 0,546 a 0,649. En la cohorte coreana externa MobiCARE (31 pacientes), el AUROC sube de 0,585 a 0,686 (p = 0,018), con una ganancia clara de sensibilidad (0,668 a 0,775) y de puntuación F1 (0,538 a 0,628). En la cohorte europea IRIDIA-AF, el AUROC va de 0,633 a 0,715, pero sin alcanzar la significación estadística (p = 0,195) — solo hay 6 pacientes. Los autores también muestran que hay que acumular del orden de una docena de episodios por paciente antes de que la personalización resulte útil, y que el modelo se centra en precursores electrofisiológicamente plausibles (extrasístoles auriculares, taquicardias supraventriculares cortas), corroborados por un aumento de la frecuencia cardíaca justo antes del episodio.

Traducción clínica: estas cifras deben leerse con prudencia. Un AUROC en torno a 0,70 significa que, al elegir al azar una ventana pre-fibrilación y una normal, el modelo clasifica correctamente la primera como de mayor riesgo unas 70 veces de cada 100 — mejor que el azar (50/100), lejos de una herramienta concluyente. En el umbral óptimo de MobiCARE, una sensibilidad del 77,5 % y una especificidad del 63,5 % implican que, de 100 ventanas que preceden realmente a una crisis, unas 78 se señalarían y 22 se pasarían por alto; pero sobre todo, de 100 ventanas normales, cerca de 37 dispararían una falsa alerta. Y la evaluación se hace sobre un conjunto enriquecido (aproximadamente una ventana de riesgo por cada dos normales): en una vigilancia continua real, donde la inmensa mayoría de los minutos son sin fibrilación, la proporción de falsas alertas entre todas las alertas sería mucho mayor. Los autores lo reconocen: hay que «ganar en precisión para limitar las falsas alertas y las tomas de medicamento innecesarias».

Lo que está bien

Predecir en lugar de detectar, con datos reales y variados. Abordar la predicción de la fibrilación a 5 minutos, y no su mera detección, sobre tres bases de ECG ambulatorio procedentes de tres aparatos distintos, es una elección ambiciosa y útil. Probar el mismo modelo en cohortes adquiridas con equipos y frecuencias de muestreo diferentes es exactamente el tipo de prueba de generalización que la literatura demasiado a menudo omite.

Una política de despliegue honesta y cuantificada. En lugar de ensalzar la personalización como una varita mágica, los autores cartografían su curva de aprendizaje: muestran que con muy pocos episodios (3) no aporta nada, y proponen una estrategia «consciente de los datos» — empezar por el modelo global, pasar al personalizado solo una vez acumulada una docena de episodios. Es una postura rara y apreciable, que resiste la sobrepromesa.

Código abierto, datos parcialmente públicos, interpretabilidad. El código se publica bajo licencia MIT, y dos de las tres bases (ICENTIA11K, IRIDIA-AF) son de acceso público. Los autores respaldan sus predicciones con mapas de atribución Grad-CAM que muestran que la red se apoya en signos precursores reconocidos, y con un análisis fisiológico (aumento de la frecuencia cardíaca y de la variabilidad RMSSD antes del episodio) que hace plausible la señal aprendida en lugar de opaca.

Lo que está menos bien

Umbrales calibrados con los datos de prueba del paciente (modo de fallo: la métrica engañosa). Las sensibilidades, especificidades y valores predictivos se calculan en el umbral de Youden óptimo sobre el propio conjunto de prueba de cada paciente. Los propios autores precisan que estas cifras son «descriptivas» y no estimaciones de rendimiento prospectivo: en la práctica, no se conoce de antemano el umbral ideal de un paciente. A esto se suma el desequilibrio de clases en la evaluación (1 ventana de riesgo por 2 normales), mucho más favorable que la realidad de una vigilancia continua donde la fibrilación es rara — un clásico efecto de tasa base que infla el valor predictivo positivo mostrado (0,58) muy por encima de lo que se observaría en el terreno.

Cohortes de validación minúsculas y filtradas (modo de fallo: sesgo de selección y de población). De los 167 registros de IRIDIA-AF, solo se retuvieron 6 pacientes; 31 de 379 para MobiCARE; 30 para la personalización de ICENTIA11K. Los criterios de inclusión (carga de fibrilación inferior al 60 %, un número mínimo de episodios) excluyen de hecho a los pacientes con perfiles extremos, y la cohorte europea es demasiado pequeña para concluir nada (resultado no significativo). Los autores señalan además que IRIDIA-AF no proporciona identificadores de paciente, por lo que no se puede garantizar la unicidad de los individuos. La generalización a una población amplia sigue siendo, pues, una cuestión abierta.

Comparador débil, desfase de dominio y conflictos de interés (modos de fallo: comparador sesgado y sesgo de población). El único comparador real es el modelo global frente al personalizado; no se implementa ninguna referencia simple basada en la variabilidad de la frecuencia cardíaca (HRV), aunque habría constituido una base clínica natural (los autores la descartan alegando la brevedad de la ventana y el ruido). El modelo se entrena con la derivación I y se prueba con la derivación II para MobiCARE, un desfase de dominio nada despreciable. Por último, dos autores están empleados por SEERS Technology, fabricante del dispositivo mobiCARE, y el autor sénior es accionista y declara numerosos vínculos con la industria — un conflicto de interés a tener en cuenta, ya que una de las tres bases de validación es precisamente la de ese fabricante. El estudio es retrospectivo, sin ensayo prospectivo ni aprobación regulatoria, y los pesos del modelo no se publican.

Lo que cambia

Para la comunidad de investigación, el artículo ofrece una base de comparación reproducible y una receta clara (modelo global y luego personalización) para un problema aún poco delimitado, la predicción a corto plazo de la fibrilación. El código abierto y el análisis de la curva de aprendizaje lo convierten en un punto de partida honesto para quien quiera hacerlo mejor — con arquitecturas más recientes que el ResNet, y sobre todo umbrales y una evaluación representativos de la vigilancia continua real.

Para los clínicos, hoy nada cambia: se trata de un preprint aún no revisado por pares, con una discriminación modesta (AUROC ~0,70), umbrales no transferibles y ninguna validación prospectiva. La idea de anticipar una crisis para ajustar un tratamiento sigue siendo un horizonte creíble, pero la tasa de falsas alertas esperada en condiciones reales le impide, tal como está, guiar una decisión terapéutica.

Para los pacientes y el público, el mensaje es mesurado. La promesa de un reloj o un parche que «avisa antes de la crisis» es real en su principio, pero este trabajo muestra sobre todo el camino que queda: pasar de una señal estadísticamente detectable a una herramienta lo bastante fiable como para no ahogar al usuario en falsas alarmas. Anticipar no es todavía prevenir.

Para profundizar

El preprint completo está disponible en arXiv (DOI 10.48550/arXiv.2606.10900), publicado el 9 de junio de 2026 bajo licencia CC BY-NC-ND 4.0, por un equipo de la Universidad Nacional de Seúl, la CHA University y SEERS Technology. El código se publica bajo licencia MIT en GitHub. Las bases ICENTIA11K (PhysioNet) e IRIDIA-AF (Zenodo) son de acceso público; la base MobiCARE sigue siendo privada. Para el marco clínico de la fibrilación auricular, las recomendaciones de la Sociedad Europea de Cardiología (ESC) ofrecen un punto de entrada fiable.