El ecocardiograma transtorácico constituye la modalidad de imagen cardiovascular más prevalente y esencial en la práctica cardiológica contemporánea, guiando decisiones terapéuticas críticas en valvulopatías, insuficiencia cardíaca, miocardiopatías y cardiopatía isquémica. El flujo de trabajo convencional depende de una cadena operativa altamente demandante: adquisición e informe preliminar por el técnico especialista en ultrasonido cardiovascular (ecografista o sonografista), seguido por la revisión integral, corrección y validación final por parte del médico cardiólogo. La creciente demanda asistencial, sumada a la escasez proyectada de recursos humanos en cardiología para la próxima década, ha incrementado de forma exponencial la carga de trabajo en los laboratorios de imagen, favoreciendo la variabilidad interobservador, retrasos en la disponibilidad de informes críticos y el agotamiento profesional. Aunque diversos modelos de inteligencia artificial (IA) han demostrado precisión diagnóstica en mediciones aisladas (fracción de eyección o deformación longitudinal), se carecía de ensayos aleatorizados con diseño ciego que evaluaran la capacidad de un sistema de IA para generar un informe ecocardiográfico completo —abarcando cuantificaciones anatómicas, función hemodinámica e interpretación diagnóstica global— y que midieran su impacto directo sobre la precisión diagnóstica, la concordancia clínica y la eficiencia temporal del cardiólogo en condiciones asistenciales reales.
Durante el Congreso AHA 2026 se presentaron los resultados de un ensayo clínico prospectivo, aleatorizado, con diseño ciego para el evaluador, realizado en 21 centros médicos de Kaiser Permanente Northern California (Estados Unidos).
Se seleccionaron de manera consecutiva 1.200 ecocardiogramas transtorácicos completos adquiridos durante la práctica clínica habitual en entornos ambulatorios y de internación hospitalaria a lo largo de dos semanas en marzo de 2025. Para cada uno de los 1.200 estudios, se elaboraron de forma paralela e independiente tres versiones de informe preliminar: una generada por un modelo de inteligencia artificial de procesamiento integral de imagen, una realizada por un técnico en ecocardiografía (con una media de 7,2 años de experiencia profesional) y una confeccionada por un cardiólogo (con una media de 11,7 años de experiencia). Posteriormente, los informes preliminares fueron asignados aleatoriamente a 20 cardiólogos revisores para su análisis y validación final, bajo estricto enmascaramiento respecto al origen de la versión inicial (técnico, colega o IA).
El criterio de valoración primario de precisión clínica fue la tasa de modificaciones sustanciales introducidas por el cardiólogo revisor antes de certificar el informe definitivo, evaluándose formalmente la no inferioridad de la IA frente a los borradores humanos.
Los criterios secundarios incluyeron: el tiempo total requerido por el cardiólogo para revisar y finalizar cada estudio (medido en minutos por examen), la consistencia longitudinal de las mediciones respecto a los informes ecocardiográficos históricos previos disponibles en la historia clínica electrónica y la tasa de acierto del cardiólogo revisor al intentar discernir si el informe preliminar había sido redactado por una máquina o por un ser humano.
Artículos relacionados
La cohorte de 1.200 estudios correspondió a pacientes con una media de edad de 69 años, un 47% de mujeres y una representatividad racial y étnica diversa (54% blancos, 16% hispanos, 16% asiáticos, 8,8% afrodescendientes y 5,8% de otros grupos).
En la evaluación del criterio de valoración primario de precisión diagnóstica, los cardiólogos revisores introdujeron modificaciones sustanciales en el 50,6% de los informes preliminares generados por el modelo de inteligencia artificial, en comparación con una tasa de modificaciones del 49,7% en los borradores confeccionados por los profesionales humanos (ecografistas y cardiólogos), alcanzando de forma concluyente el criterio formal preespecificado de no inferioridad y confirmando una exactitud clínica superponible entre el abordaje asistido por IA y el estándar humano.
En cuanto al impacto sobre la eficiencia operativa, el tiempo promedio que dedicaron los cardiólogos a revisar y firmar cada ecocardiograma se redujo significativamente de 8,5 minutos en el flujo convencional sin IA a 4,6 minutos por estudio cuando contaron con el borrador preliminar generado por el modelo algorítmico, lo que representó un ahorro de tiempo médico neto de aproximadamente el 46% (reducción cercana al 50% de la carga temporal por estudio).
Asimismo, los informes preliminares generados por IA demostraron una consistencia cuantitativa y cualitativa superior con los ecocardiogramas históricos previos almacenados en la historia clínica electrónica en comparación con los borradores humanos. Finalmente, en las pruebas de enmascaramiento, los cardiólogos revisores fueron incapaces de distinguir si el informe inicial que estaban auditando había sido producido por el software de inteligencia artificial, por un técnico ecografista o por otro médico cardiólogo.
¿Qué nos deja este estudio?
La generación automatizada de informes ecocardiográficos preliminares completos mediante inteligencia artificial demostró no inferioridad y una precisión clínica comparable a los borradores elaborados por ecografistas y cardiólogos, reduciendo en un 46% el tiempo requerido por el cardiólogo para la validación definitiva del estudio y mejorando la consistencia con los antecedentes ecocardiográficos del paciente, sin que los médicos revisores pudieran identificar el origen algorítmico del informe.
