Introducción
La inteligencia artificial (IA), especialmente el aprendizaje automático y el aprendizaje profundo, ha emergido como una tecnología prometedora para automatizar la lectura de ecocardiogramas, mejorando la precisión y eficiencia del diagnóstico. Esta revisión sistemática explora los avances en la aplicación de IA en la interpretación de ecocardiogramas, los modelos utilizados, y los desafíos en su implementación clínica.
Métodos
Se realizó una revisión sistemática de estudios publicados hasta abril de 2025, utilizando bases de datos como PubMed, IEEE Xplore y Scopus. Se incluyeron artículos originales, revisiones y estudios clínicos que exploraran el uso de IA en la lectura de ecocardiogramas, con especial atención a la aplicabilidad clínica, precisión diagnóstica y tecnología utilizada (modelos de aprendizaje automático y aprendizaje profundo). Se excluyeron estudios que no presentaran datos relevantes sobre IA o que no fueran aplicables a la interpretación ecocardiográfica. Los estudios seleccionados fueron evaluados por su calidad metodológica utilizando la herramienta PRISMA.
resultados
De los 32 estudios incluidos en la revisión, el 75% emplearon algoritmos de aprendizaje profundo, como redes neuronales convolucionales (CNN), para la clasificación de imágenes ecocardiográficas y la detección de patologías como insuficiencia cardíaca, valvulopatías y disfunción ventricular. Los modelos de IA mostraron una precisión diagnóstica comparable o incluso superior a la de los cardiólogos experimentados, con una sensibilidad y especificidad promedio de 88% y 92%, respectivamente. Sin embargo, la capacidad de generalización de los modelos varió según la calidad de los datos y la población estudiada. Los estudios también señalaron que la integración de IA en la práctica clínica sigue siendo limitada debido a la falta de estandarización en los protocolos y la necesidad de validación en diversos entornos clínicos.
conclusiones
La inteligencia artificial ha demostrado ser una herramienta prometedora para la mejora de la precisión y la eficiencia en la lectura de ecocardiogramas, con resultados competitivos frente a la interpretación humana. Sin embargo, la implementación clínica generalizada enfrenta obstáculos, como la variabilidad en los conjuntos de datos y la necesidad de validación en poblaciones diversas. A pesar de estos desafíos, la IA tiene el potencial de transformar la ecocardiografía.