Introducción

Prescribir ejercicio en la fase II de rehabilitación cardíaca (RC) exige un equilibrio entre eficacia y seguridad. Aunque los protocolos convencionales son efectivos, carecen de la flexibilidad necesaria para adaptarse a la respuesta biológica diaria del paciente. La Inteligencia Artificial (IA) permite integrar la variabilidad de la frecuencia cardíaca (VFC) como marcador dinámico de la recuperación autonómica. El presente trabajo expone el plan de cuidados de un paciente cuya carga terapéutica se gestionó mediante algoritmos de IA, optimizando la toma de decisiones enfermeras.

Descripción

Varón de 58 años, post-SCACEST inferior revascularizado, que inicia RC con una capacidad funcional basal de 6 METS. El seguimiento se reforzó con una plataforma de monitorización remota encargada de registrar el intervalo R-R y la saturación de oxígeno. Estos datos fueron procesados diariamente por un algoritmo de IA para calcular un índice de disposición al entrenamiento, ajustando la intensidad del ejercicio domiciliario detectado en cada jornada.

Planificación

Abordaje estructurado bajo metodología NANDA-NIC-NOC:

• NANDA [00092] Intolerancia a la actividad r/c desequilibrio entre aporte y demanda de oxígeno, m/p fatiga ante esfuerzos moderados.
• NOC [0401] Estado circulatorio: orientado a la optimización de la recuperación cronotrópica tras el esfuerzo.
• NIC [4046] Cuidados cardíacos: rehabilitación: supervisión del entrenamiento donde la IA actuó como filtro de seguridad, reduciendo cargas en días de VFC disminuida para prevenir sobreentrenamiento y eventos arrítmicos.
• NIC [5612] Enseñanza: ejercicio prescrito: capacitación en el manejo del biosensor e interpretación de los semáforos de intensidad.

Reflexión

La monitorización inteligente permitió detectar una recuperación autonómica deficiente durante la tercera semana de programa. Este hallazgo derivó en una entrevista clínica precoz donde se identificó una apnea del sueño no diagnosticada. Sin la precisión de la IA, el incremento de cargas habría aumentado innecesariamente el riesgo cardiovascular. La integración de algoritmos de aprendizaje automático se consolida como un sistema de soporte a la decisión enfermera, permitiendo la transición hacia una enfermería de precisión basada en la fenotipificación digital del riesgo.