ISSN 2953-6367  
http://revistainvestigo.com  
Octubre 2026  
Vol. 7 No. 21, PP. 525-543  
https://doi.org/10.56519/m3asbh09  
MEDICINA DE PRECISIÓN EN ENFERMEDADES  
CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES,  
DATOS CLÍNICOS E INTELIGENCIA ARTIFICIAL PARA LA TOMA  
DE DECISIONES  
PRECISION MEDICINE IN CARDIOVASCULAR DISEASES:  
INTEGRATION OF BIOMARKERS, CLINICAL DATA, AND  
ARTIFICIAL INTELLIGENCE FOR DECISION-MAKING  
Vanesa Paola Gallo Morales1, Janina Gissella Pilco Diaz2, Marco Vinicio Flores Blacio3, Arnulfo  
Pazos Rodríguez⁴  
{paulymorales015@gmail.com1, pilcojaninna@gmail.com2, mflores1@utmachala.edu.ec2, yomeropazitos@hotmail.com4}  
Fecha de recepción: 10/09/2026  
/ Fecha de aceptación: 08/10/2026  
/ Fecha de publicación: 14/10/2026  
RESUMEN: La medicina cardiológica de precisión intenta mejorar los enfoques basados en la  
población mediante la aplicación de biomarcadores multiómicos, datos clínicos y inteligencia  
artificial (IA). Recopilar y analizar sistemáticamente la evidencia disponible sobre modelos  
basados en inteligencia artificial que incorporen, como mínimo, dos de los siguientes factores:  
biomarcadores multiómicos, datos clínicos o imágenes cardiovasculares/fenotipos vasculares,  
aplicables a personas de edad adulta con enfermedad o riesgo cardiovascular. Se realizó una  
búsqueda en PubMed/MEDLINE, Scopus, Web of Science y ScienceDirect (1 de enero de 2020-  
31 de marzo de 2026) de acuerdo con los criterios PRISMA 2020. Se extrajo información sobre  
los estudios primarios incluidos que cumplían los criterios de inclusión, y se evaluaron su validez  
y los riesgos de sesgo utilizando PROBAST+AI. La certeza de la evidencia se evaluó utilizando el  
GRADE adaptado a los modelos pronósticos. Se identificaron tres estudios que cumplían los  
criterios de inclusión. El estudio «CardiOmicScore» (Luo et al., 2026) informó de un C-index para  
ProScore de entre 0,69 y 0,82, y para MetScore de entre 0,64 y 0,74 en la predicción de seis  
enfermedades cardiovasculares (ECV), y una ganancia de entre 0,005 y 0,102 al combinarse con  
datos clínicos. El estudio «Queen of Hearts» (Carvalho et al., 2026) obtuvo una AUC de 0,94  
(intervalo de confianza del 95 %: 0,92-0,95) en un registro retrospectivo multicéntrico de 1 032  
pacientes para la detección de oclusión miocárdica (OMI). El modelo de predicción de ictus  
basado en imágenes de la retina (Govindaiah et al., 2025) informó de una AUC de 0,83 para un  
ictus a los cinco años y de 0,79 a los diez años. La certeza de la evidencia se clasificó como muy  
baja para todas las variables de resultado. Existe escasez de estudios que utilicen criterios de  
1Investigador independiente, Ecuador, https://orcid.org/0009-0008-4100-4450  
2Investigador independiente, Ecuador, https://orcid.org/0000-0001-9004-1102  
3Universidad Técnica de Machala, Ecuador, https://orcid.org/0009-0006-4381-7776  
4Investigador independiente, México, https://orcid.org/0009-0009-6211-1914  
525  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
   
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
inclusión ambiciosos. La evidencia disponible no permite conclusiones definitivas sobre la  
eficacia del uso de la IA para mejorar la medicina de precisión cardiovascular. Es necesario  
disponer de más información sobre la validación cruzada de estos modelos en poblaciones  
diferentes, incluida la evaluación de la calibración y los resultados centrados en el paciente.  
Palabras clave: Medicina de precisión; enfermedades cardiovasculares; inteligencia artificial;  
biomarcadores; aprendizaje profundo; revisión sistemática  
ABSTRACT: Precision cardiology seeks to improve population-based approaches through the  
application of multi-omic biomarkers, clinical data, and artificial intelligence (AI). To  
systematically synthesize the evidence on AI-developed modelsincorporating at least two of  
the following factors : multi-omic biomarkers, clinical data, or cardiovascular imaging/vascular  
phenotypes, applicable to adults with cardiovascular disease or cardiovascular risk. A  
systematic search was conducted PubMed/MEDLINE, Scopus, Web of Science, and  
ScienceDirect (January 1, 2020–March 31, 2026) in accordance with the PRISMA 2020  
guidelines. Information was extracted from the included primary studies that met the eligibility  
criteria, and their validity and risk of bias were assessed using PROBAST+AI. The certainty of  
the evidence was evaluated using GRADE adapted for prognostic models. Three studies met the  
inclusion criteria. The “CardiOmicScore” study (Luo et al., 2026) reported a C-index ranging from  
0.69 to 0.82 for ProScore and from 0.64 to 0.74 for MetScore in predicting six cardiovascular  
diseases (CVDs), with an improvement ranging from 0.005 to 0.102 when combined with clinical  
data. The “Queen of Hearts” study (Carvalho et al., 2026) achieved an AUC of 0.94 (95%  
confidence interval: 0.92–0.95) in a retrospective multicenter registry of 1,032 patients for the  
detection of occlusion myocardial infarction (OMI). The retinal imaging-based stroke prediction  
model (Govindaiah et al., 2025) reported an AUC of 0.83 for five-year stroke prediction and 0.79  
for ten-year prediction. The certainty of the evidence was rated as very low for all outcomes.  
There is a scarcity of studies using ambitious eligibility criteria. The available evidence does not  
allow definitive conclusions regarding the effectiveness of AI in improving precision  
cardiovascular medicine. Further evidence is needed on the external validation of these models  
across different populations, including assessments of calibration and patient-centered  
outcomes.  
Keywords: Precision medicine; cardiovascular diseases; artificial intelligence; biomarkers; deep  
learning; systematic review  
INTRODUCCIÓN  
Las enfermedades cardiovasculares (ECS) son la principal causa de muerte en todo el mundo, y  
cada año mueren 17,9 millones de personas (1). A pesar de los avances terapéuticos logrados en  
las últimas décadas, hay pocas opciones de control de la población de riesgo a nivel de la  
población general (2); la estrategia de medicina de precisión para abordar este problema no está  
consolidada (3).  
526  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Existe un amplio acuerdo en que los enfoques actuales, con calificaciones de riesgo en la  
población, tienen varias limitaciones para predecir a nivel individual (2); por lo tanto, se han  
llevado a cabo diferentes estrategias para lograr este objetivo, desde el uso de puntajes de riesgo  
poligénico (PRS) aplicados a toda la población (4) hasta la realización reciente de estudios que  
determinan la correlación entre las variables (5).  
Sin embargo, se reconoce que el enfoque basado en los PRS tiene limitaciones para la mayoría de  
las enfermedades cardiovasculares (5) y que este método proporciona una información limitada  
sobre los procesos fisiopatológicos de la enfermedad (5). Las pruebas emergentes sugieren que  
los PRS solo ofrecen mejoras modestas en la discriminación y no logran captar la complejidad  
fenotípica de la enfermedad cardiovascular, ya que los procesos fisiopatológicos implican  
interacciones dinámicas entre múltiples vías moleculares, variables ambientales y determinantes  
sociales de la salud.  
Por lo tanto, la estrategia más utilizada se basa en la combinación de: (1) biomarcadores  
multiómicos; (2) datos clínicos; y (3) imágenes cardiovasculares o fenotipos vasculares  
específicos, como el electrocardiograma (ECG) o la angiografía retiniana (6). Estos enfoques  
utilizan tecnologías avanzadas de análisis del metaboloma y el proteoma para determinar de  
forma específica los fundamentos moleculares de los procesos responsables de las enfermedades  
cardiovasculares (6). La metabolómica y la proteómica de alto rendimiento permiten medir  
cientos o miles de metabolitos y proteínas en una única muestra de sangre, proporcionando una  
instantánea completa de los mecanismos moleculares que impulsan la enfermedad  
cardiovascular en un momento dado.  
La combinación de estas tres dimensiones representa un cambio de paradigma frente a los  
enfoques tradicionales basados en factores de riesgo aislados. Mientras que las escalas  
convencionales, como SCORE2, Framingham o las ecuaciones de la American Heart Association,  
evalúan el riesgo a nivel poblacional, la medicina de precisión cardiovascular analiza el riesgo  
individual mediante la integración de datos multidimensionales. Este enfoque reconoce que dos  
personas con el mismo perfil de factores de riesgo tradicionales pueden tener trayectorias  
fisiopatológicas totalmente diferentes, y que la caracterización molecular y fenotípica profundiza  
en diferencias de relevancia clínica que las escalas convencionales no captan.  
El principal obstáculo para utilizar estos enfoques en la práctica clínica actual es el uso de  
algoritmos informáticos de inteligencia artificial (IA) cuyo funcionamiento no es claro cajas negras  
(7). Más importante aún, no es posible identificar los fundamentos moleculares de los procesos  
en cuestión cuando se elaboran estrategias terapéuticas en cardiología, lo que supone el principal  
desafío para usar la medicina de precisión en este ámbito (8). Los modelos de aprendizaje  
profundo, aunque potentes en términos de capacidad predictiva, ignoran la transparencia interna  
y generan desconfianza entre los clínicos, limitando su implantación en entornos con gran riesgo  
para el paciente. Técnicas de interpretabilidad, como SHAP (SHapley Additive exPlanations) o  
LIME (Explicaciones del modelo Local Interpretando Agnóstico), han sido desarrolladas para  
resolver el problema, pero no están ampliamente implementadas para estudios de IA  
cardiovascular.  
527  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Además, existen otras barreras críticas para tener en cuenta para la traducción clínica de estos  
modelos. La mayoría de los estudios de IA en cardiología fueron desarrollados en series de países  
de áreas geográficas altamente urbanizadas (principalmente Europa y América del Norte). Esta  
situación crea inquietudes significativas sobre su capacidad de trasladarse a poblaciones de otras  
áreas geográficas con diversidad étnica y distintos perfiles de factores de riesgo. La calibración —  
la concordancia entre la probabilidad prevista y la probabilidad observada— rara vez se informa  
en estudios de IA cardiovascular, siendo un requisito fundamental para la capacidad predictiva  
de cualquier modelo. Además, la evaluación de equidad algorítmica utilizando estadísticas  
descriptivas de diferencias en el rendimiento que pueden ocurrir en función de grupo de  
población (sexo, raza o nivel socioeconómico) está ampliamente desatendida, y supone un riesgo  
de agravio distributivo.  
La relevancia de esta revisión radica en la necesidad de revisar críticamente la evidencia  
disponible sobre modelos de IA que combinen al menos dos de las dimensiones definidas  
operativamente (biomarcadores multiómicos, datos clínicos, imágenes cardiovasculares o  
fenotipos vasculares), examinando no solo su rendimiento discriminativo, sino también su  
calibración, validación externa, utilidad clínica y equidad. Las revisiones sistemáticas anteriores  
se han centrado principalmente en el papel de la IA individual (ECG, imágenes, marcadores  
biológicos) y no han abordado la combinación simultánea de estas dimensiones. Esta revisión  
persigue el objetivo de rellenar esta brecha y de resumir la calidad general de la evidencia  
aportada por estos estudios.  
Objetivo: Sintetizar sistemáticamente la evidencia sobre modelos de IA que combinen al menos  
dos de las dimensiones definidas operativamente, y evaluar su calidad metodológica, calibración,  
validación externa y utilidad clínica en población adulta con ECV o en personas con riesgo  
cardiovascular.  
MATERIALES Y MÉTODOS  
Diseño y protocolo  
El estudio se lleva a cabo siguiendo las recomendaciones PRISMA 2020 (9). El protocolo de esta  
revisión no fue registrado previamente en ningún registro público. Cualquier modificación o  
desviación respecto a lo establecido inicialmente se detalla en la sección de limitaciones.  
Estrategia de búsqueda  
La búsqueda sistemática se llevó a cabo en PubMed, Scopus, Web of Science y ScienceDirect. La  
cobertura temporal de la búsqueda abarca el período comprendido entre el 1 de enero de 2020  
y el 31 de marzo de 2026; la búsqueda inicial se realizó el 15 de septiembre de 2025 y se actualizó  
el 31 de marzo de 2026.  
La estrategia de búsqueda combinó identificadores MeSH y términos libres, dividiendo estos  
últimos en cuatro tipos temáticos:  
528  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
(Medicina de precisión): "precision medicine" OR "personalized medicine" OR "stratified  
medicine" OR "multi-omics" OR "multiomics" OR "high-dimensional data"  
(Enfermedad cardiovascular):"cardiovascular disease" OR "cardiovascular risk" OR "coronary  
artery disease" OR "heart failure" OR "atrial fibrillation" OR "myocardial infarction" OR  
"atherosclerosis"  
(inteligencia artificial): "artificial intelligence" OR "machine learning" OR "deep learning" OR  
"neural network" OR "random forest" OR "gradient boosting" OR "transformer" OR  
"convolutional neural network" OR "XGBoost" OR "support vector machine" OR "SVM" OR  
"ensemble learning" OR "artificial multimodal learning"  
(biomarcador): "biomarker" OR "proteomics" OR "metabolomics" OR "genomics" OR  
"transcriptomics" OR "polygenic risk score" OR "multi-omics"  
La estrategia completa para PubMed fue: ("Precision Medicine" OR "Personalized Medicine" OR  
"Multi-omics" OR "High-dimensional Data") AND ("Cardiovascular Diseases" OR "Cardiovascular  
Disease" OR "Coronary Artery Disease" OR "Heart Failure" OR "Atrial Fibrillation") AND ("Artificial  
Intelligence" OR "Machine Learning" OR "Deep Learning" OR "Neural Network" OR "Transformer"  
OR "XGBoost" OR "Support Vector Machine") AND ("Biomarkers" OR "Proteomics" OR  
"Metabolomics" OR "Genomics" OR "Polygenic Risk Score")  
Esta se consultó en los demás motores de búsqueda con el filtro de fecha 2020-2026, idioma:  
inglés y español.  
Definiciones operativas  
Biomarcador multiómica: marcador metabólico, proteómico, genómico o transcriptómico.  
Datos clínicos: variables demográficas, factores de riesgo, desarrollo natural de la enfermedad,  
exposición a regímenes farmacológicos.  
Imagen o fenotipo cardiovascular: electrocardiograma, resonancias magnéticas cardíacas,  
tomografía computarizada, ultrasonidos, retina (3)  
La retina se incluye dentro del dominio del fenotipado vascular porque es el único lecho  
microvascular accesible de forma no invasiva en el cuerpo humano. Las modificaciones de su  
estructura (calibre vascular, tortuosidad y fractalidad) se han asociado de manera independiente  
con el riesgo de eventos cardiovasculares en varias cohortes populacionales. La retina comparte  
características embriológicas, anatómicas y fisiológicas con la microcirculación coronaria y  
cerebral, y, por lo tanto, puede considerarse un biomarcador fenotípico para evaluar el estado  
general de la vascularización. Su inclusión en este dominio no constituye una ampliación del  
criterio, sino que reconoce una relación fisiopatológica bien establecida entre la microvasculatura  
retinal y el riesgo cardiovascular global (15).  
529  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Criterios de inclusión  
Estudios primarios, pacientes de ≥18 años, enfermedad o riesgo cardiovascular, modelo de  
inteligencia artificial basado en datos multiómicos o clínicos, objetivo de predicción de eventos  
cardiovasculares futuros, MACE, mortalidad cardiovascular o diagnóstico de enfermedad  
cardiovascular, informes de AUC o estadístico C con estimación del intervalo de confianza,  
publicación en revista con revisión de pares  
Criterios de exclusión  
Revisiones secundarias, editoriales, modelos multivariados, modelos basados únicamente en un  
tipo de dato (genómica, transcriptómica, proteómica o metabolómica), informes que no incluyen  
estadísticas relativas al rendimiento, duplicados.  
Unidad de análisis  
La unidad de análisis para esta revisión se definió como el estudio. La elección de utilizar el  
modelo descrito por los autores (es decir, no seleccionar a postemparejamiento el modelo con la  
AUC más alta) se hizo para evitar una posible sobreestimación del rendimiento.  
Evaluación de la calidad y el sesgo  
PROBAST+AI (10) es una forma estandarizada de evaluar la calidad de la evidencia (calibración y  
valor de predecir) de estudios de marcadores; su concepto se ha ampliado para abarcar estudios  
de modelos de inteligencia artificial. Contiene 4 dominios (participantes y fuentes, predictores,  
resultados, análisis). Para cada dominio hay una serie de «señales» a las que se suma una  
pregunta de señalización en el ámbito de la equidad, el riesgo algorítmico y la reproducibilidad  
en el ámbito de la justicia social, el riesgo algorítmico y la reproductibilidad, para calificar la  
contribución de cada dominio individual a la calidad de la evidencia (11). También se definió una  
valoración general positiva según las pautas de PROBAST: todas las valoraciones se definen como  
positivas si todos los elementos de la lista de comprobación son positivos, si al menos una de las  
valoraciones es dudosa, pero ninguna es negativa, y si al menos una de las valoraciones es  
negativa.  
La evaluación de la certeza de la evidencia se llevó a cabo utilizando el método GRADE adaptado  
a los modelos de riesgo (12,13,19). Como punto de partida para la valoración, los estudios  
observacionales se clasificaron como baja certeza. Luego se evaluaron 5 características que  
pueden disminuir la certeza de la evidencia a saber: riesgo de sesgo, inconsistencia, imprecisión,  
evidencia indirecta y sesgo de publicación. El índice C (AUC, que fue la base principal de nuestra  
valoración) fue considerado como una medida de discriminación y se evaluaron conjuntamente  
la calibración, la validación externa y la importancia clínica (12).  
Síntesis de datos  
No se llevó a cabo ninguna síntesis cuantitativa para esta revisión debido a la heterogeneidad de  
los estudios en cuanto a población (pacientes con enfermedad cardiovascular vs. pacientes con  
530  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
factores de riesgo cardiovascular), resultado (predicción de eventos, diagnóstico, etc.), periodo  
de seguimiento, algoritmo, referencia, validación. No se calcularon AUC diagnósticas como  
índices C de riesgo. Se realizó una síntesis narrativa agrupada por dominio de aplicación y por tipo  
de modelo (diagnóstico vs. riesgo). Se informaron los rangos observados sin agregación cuando  
los estudios no eran directamente comparables  
Análisis de cohortes superpuestas  
Se identificaron posibles superposiciones de cohortes comparando centros reclutadores,  
períodos de reclutamiento y criterios de inclusión. Cuando se encontró una superposición, se  
seleccionó el estudio con mayor tamaño muestral o rigor metodológico (17).  
RESULTADOS  
Selección de estudios  
Inicialmente, la búsqueda identificó 847 registros en PubMed/MEDLINE (n=312), Scopus (n=228),  
Web of Science (n=187) y ScienceDirect (n=120). Tras eliminar duplicados (n=312), se identificaron  
535 registros en la fase de selección por título y resumen. De estos registros, se excluyeron 446  
por no tratar sobre enfermedades cardiovasculares (n=156), por no utilizar la inteligencia artificial  
(n=134), por no analizar un mínimo de dos factores (n=98), o por haberse realizado en población  
pediátrica (n=58). A continuación, se extrajeron 89 artículos completos para su revisión, de los  
cuales se excluyeron 86 por no disponer de métricas AUC/C-index (n=28), por analizar un único  
factor (n=24), por datos duplicados (n=12) o por no tratarse de artículos completos (n=22).  
Finalmente, se identificaron tres estudios que cumplían los criterios de inclusión y fueron incluidos  
en la revisión cualitativa.  
531  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Figura 1. Diagrama de flujo de la revisión PRISMA 2020.  
Nota: De los 847 registros identificados en las bases de datos, se eliminaron los 312 registros duplicados, quedando  
535 que se sometieron a cribado por título y resumen. Se excluyeron 446 registros por no abordar el ECV (n=156), no  
utilizar la inteligencia artificial (n=134), no utilizar al menos DOS dominios (n=98) o por tratar de poblaciones  
pediátricas (n=58). De los 89 artículos que pasaron a la fase de obtención del texto completo, se excluyeron 86 por la  
ausencia de datos sobre la superficie bajo la curva o el índice C (n=28), por tratar de un único dominio (n=24), por  
utilizar datos superpuestos (n=12) o por corresponder a resúmenes o editoriales (n=22). Por lo tanto, tres estudios  
cumplían los criterios de inclusión y estaban sujetos a síntesis cualitativa.  
532  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Características de los estudios incluidos  
En general, los tres estudios incluidos en la revisión cualitativa se publicaron entre 2025 y 2026.  
De los tres, dos se realizaron en EE. UU. y uno en el Reino Unido. El tamaño de la muestra osciló  
entre 1032 y 220 859 pacientes. Dos de los tres estudios incluidos en la revisión fueron de  
pronóstico y solo uno, de diagnóstico. El número de factores analizados osciló entre dos y tres. Se  
combinaron distintos tipos de datos en los estudios, entre los que se incluían datos clínicos,  
proteómica, datos del ECG y la imagen de la retina. En cuanto a la tecnología utilizada, dos estudios  
emplearon aprendizaje profundo y uno, aprendizaje automático. El tiempo transcurrido antes de  
la aparición de la enfermedad osciló entre 7 días y 15 años.  
Características de los estudios incluidos  
Dos estudios se realizaron en Estados Unidos y uno en Reino Unido.  
Tabla 1. Características metodológicas y rendimiento de los estudios incluidos.  
Autor  
(año)  
Paí  
s
Diseño  
del  
estudio  
N
Tipo de Dominios  
análisis integrado  
Algori  
tmo  
Horiz  
onte  
temp  
oral  
AUC/C Calibra  
Valida  
ción  
extern  
a
Ries  
go  
de  
sesg  
o
-index  
ción  
s
(IC  
95%)  
Luo  
(2026)  
(6)  
Rei  
no  
Uni  
do  
Cohorte  
prospect 859  
iva  
220.  
Pronós  
tico  
(Px)  
Datos  
metaboló  
micos,  
proteómic  
os  
Deep  
learni  
ng  
Variab ProSc  
No  
report  
ada  
Valida  
ción  
geográ  
fica en  
Escoci  
a
Bajo  
le  
ore:  
según  
el  
0,69–  
0,82;  
y
desenl MetSc  
clínicos  
ace  
ore:  
0,64–  
0,74  
Carval  
ho  
(2026)  
(14)  
EE.  
Registro  
1.03  
2
Diagnó  
stico  
(Dx)  
ECG  
variables  
clínicas  
y
Deep  
learni  
ng  
7 días  
0,94  
(0,92–  
0,95)  
No  
report  
ada  
No  
report  
ada  
Alto  
UU. retrospe  
ctivo  
Govind  
aiah  
(2025)  
(15)  
EE.  
Cohorte  
>6.5  
Pronós  
tico  
(Px)  
Imagen  
retinal  
datos  
Machi  
ne  
learni  
ng  
5–10  
años  
5
No  
report  
ada  
Sí, en Incie  
UU. retrospe 00  
ctiva  
y
años:  
0,83;  
10  
UK  
rto  
Bioban  
k
clínicos  
(ML)  
años:  
0,79  
Nota: AUC: área bajo la curva ROC; ECG: electrocardiograma; EE. UU.: Estados Unidos; IC 95%: intervalo de  
confianza del 95%; ML: machine learning; N: tamaño de la muestra; Dx: diagnóstico; Px: pronóstico.  
Descripción: Los estudios incluidos presentan diferencias importantes en cuanto a diseño,  
población, fuentes de información y horizonte temporal. Luo et al. (2026) integró información  
metabolómica, proteómica y clínica mediante modelos de deep learning para estimar el riesgo de  
distintos eventos cardiovasculares. Por su parte, Carvalho et al. (2026) utilizó datos  
electrocardiográficos y clínicos para el diagnóstico de OMI en un periodo de siete días.  
Finalmente, Govindaiah et al. (2025) combinó imágenes de retina con variables clínicas para  
533  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
estimar el riesgo de ictus a cinco y diez años. En términos de discriminación, los valores de AUC/C-  
index oscilaron entre 0,64 y 0,94, aunque la comparación directa entre los estudios debe  
interpretarse con cautela debido a las diferencias en sus objetivos, desenlaces y diseños  
metodológicos.  
Tabla 2. Modelos de inteligencia artificial evaluados en los estudios incluidos.  
Algoritmo  
utilizado  
Estudio  
Modelo evaluado  
MetScore  
AUC/C-index (IC 95%)  
0,64–0,74  
Desenlace analizado  
Aparición de ECV en  
6 subtipos  
Aparición de ECV en  
6 subtipos  
Luo (2026) (6)  
Luo (2026) (6)  
Luo (2026) (6)  
Deep learning  
ProScore  
Deep learning  
Deep learning  
Deep learning  
0,69–0,82  
MetScore + ProScore +  
variables clínicas  
Incremento de 0,005– Aparición de ECV en  
0,102  
6 subtipos  
Carvalho (2026)  
(14)  
Queen of Hearts  
0,94 (0,92–0,95)  
Diagnóstico de OMI  
Govindaiah  
(2025) (15)  
Modelo  
imagen retinal  
basado  
en Machine  
learning (ML)  
0,83 a los 5 años; 0,79 a  
los 10 años  
Aparición de ictus  
ML: machine learning; OMI: oclusión miocárdica; ECV: enfermedad cardiovascular.  
Nota: Los modelos evaluados muestran diferentes aplicaciones de la inteligencia artificial según el objetivo clínico.  
MetScore y ProScore se orientaron a la predicción de eventos cardiovasculares, mientras que Queen of Hearts se  
enfocó en el diagnóstico de OMI y el modelo retinal en la predicción de ictus. En el caso de Luo et al. (2026), la  
incorporación conjunta de información metabólica, proteómica y clínica produjo incrementos del rendimiento  
predictivo de entre 0,005 y 0,102.  
Rendimiento diagnóstico y pronóstico  
Estudios pronósticos: El estudio CardiOmicScore informó C-índices de 0,69-0,82 para ProScore y  
de 0,64-0,74 para MetScore en la predicción multienfermedad de seis subtipos de ECV. El uso  
combinado de datos clínicos aumentó los C-índices hasta en 0,102. Las correlaciones dentro y  
entre las puntuaciones Met para los seis subtipos de ECV fueron todas mayores de 0,78 (r  
Spearman 0,78-0,96), lo que indica cierto solapamiento metabólico entre las enfermedades. Las  
correlaciones dentro y entre las puntuaciones Pro fueron r=0,87-0,94. Los resultados sugieren que  
la adición de datos multiómicos y su reducción dimensional mediante la DL podría añadir  
información predictiva sobre la etiología de la enfermedad que no está presente en los PRS.  
En la evaluación del riesgo de ictus futuro, el modelo basado en imágenes retinianas informó una  
AUC de 0,83 para un ictus en 5 años, y de 0,79 para un ictus en 10 años, en comparación con AUC  
de 0,73 y 0,74 para el Score de Framingham y el Score CHADS2, respectivamente, para el mismo  
evento en pacientes con diagnóstico clínico de ictus en 10 años (1). El modelo se entrenó en una  
base de datos interna de más de 6.500 participantes, con 171 y 242 eventos a 5 y 10 años,  
respectivamente. Posteriormente, se validó externamente en UK Biobank, con 3.000  
participantes, alcanzando una sensibilidad y una especificidad del 80% y del 82%,  
respectivamente, para detectar un ictus en 5 años; sin embargo, un modelo sin las características  
basadas en la retina tuvo una sensibilidad y una especificidad del 69,3% y del 66,4% para un ictus  
en 5 años (1). El rendimiento del modelo sugiere una posible ganancia en la sensibilidad y la  
534  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
especificidad a costa de una reducción del tamaño de la muestra necesario para demostrar su  
rendimiento.  
Estudios diagnósticos: El registro Q of H informó una AUC de 0,94 (95% CI: 0,92-0,95) para la regla  
de decisión diagnóstica (14). En comparación con un triaje estándar, la herramienta tuvo una  
sensibilidad del 92% (95% CI: 0,897-0,941) frente al 71% (95% CI: 0,674-0,746) y una especificidad  
del 81% (95% CI: 0,772-0,845) y del 29% (95% CI: 0,248-0,334) (14). La regla de decisión, al  
incorporar las características de la retina, redujo la tasa de falsos positivos del 41,8% al 7,9%, con  
un intervalo de confianza del 95% del 38,9 al 44,7 (14). La prueba se evaluó en un registro  
retrospectivo de 1.032 pacientes consecutivos con sospecha clínica de STEMI en tres centros de  
intervención percutánea coronaria (PCI) del país (EE. UU.) (14); de estos, 601 (58,2%) pacientes se  
diagnosticaron con STEMI (14). Por lo tanto, al utilizar la regla de decisión para el triaje, se podría  
evitar el 41,8% de los falsos positivos que, según la prueba estándar, cumplirían los criterios para  
una intervención de PCI, y reducir su presentación a las salas de PCI.  
Calibración: Ninguno de los tres estudios incluidos informó de estadísticas de calibración  
(pendiente, intercepto o Brier score). Tampoco se identificaron gráficos de calibración cualitativos  
en las publicaciones revisadas. Esta ausencia constituye una brecha metodológica sustancial,  
considerando el papel de la calibración para garantizar que el modelo predictivo ajustado para el  
riesgo atribuido al modelo posea adecuación conceptual, validez de constructo y, posiblemente,  
validez de criterio si se proporcionaran pruebas empíricas de calibración.  
Utilidad clínica: no se encontraron estudios que informaran de un análisis de curva de decisión  
para evaluar la utilidad clínica de los modelos incluidos.  
Equidad: el conjunto de tres estudios incluidos no especificaba estadísticas que permitieran la  
evaluación de la equidad del desempeño del modelo entre subgrupos, como hombres frente a  
mujeres, ni la edad, ni la raza. Además, dos de los tres estudios se realizaron en Estados Unidos y  
uno en Reino Unido, y las poblaciones de entrenamiento fueron predominantemente de  
ascendencia europea, lo que plantea dudas sobre la aplicabilidad en poblaciones no europeas.  
Multiômica: CardiOmicScore  
El estudio CardiOmicScore se basó en el UK Biobank y se construyó utilizando dos modelos de  
aprendizaje profundo independientes, MetNet y ProNet, que predicen simultáneamente riesgos  
individuales en cada uno de los seis eventos y en el conjunto de eventos compuestos, a partir de  
168 metabolitos y 2.920 proteínas (6).  
Población: La tabla 1 presenta la población del estudio CardiOmicScore. En la fase de desarrollo,  
se utilizaron muestras de 220.859 personas con datos metabolómicos disponibles y 19.086  
personas con datos proteómicos disponibles (6); posteriormente, a partir de la lista de 24.287  
participantes con lecturas completas de omic, se reservó una muestra para validación multiómica  
(6).  
535  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Región: La región de procedencia de los participantes quedó dividida entre validación/cobertura  
completa e Inglaterra/Gales (6). La región de cobertura para la validación prospectiva incluyó  
Escocia, con la intención de aumentar la diversidad de la muestra (6).  
Hallazgos: Las puntuaciones MetScore ProScore distinguieron entre participantes (log-rank  
P<0,001). Cada MetScore y ProScore tuvo una intensa correlación, r=0,78-0,96, y entreclases,  
r=0,87-0,94; el uso combinado de datos clínicos y Puntuación Met y Pro amplió los C-índices hasta  
en 0,102 (6).  
En cuanto a la comparación con PRS: el estudio CardiOmicScore (6) construyó PRS con un rango  
de C-índice de 0,52-0,60; sin embargo, no se informó de comparaciones directas. Solo puede  
concluirse que la inclusión de omic añadió un C-índice de hasta 0,102 (5,6).  
IA aplicada a la prueba electrocardiográfica: Queen of Hearts  
La prueba electrocardiográfica Queen of Hearts, comercializada como PMcardio, se evaluó en un  
registro retrospectivo multicéntrico de 1.032 participantes con sospecha clínica de STEMI en tres  
centros de PCI en Estados Unidos (14).  
Resultados: El modelo informó una AUC de 0,94 (95% CI: 0,92-0,95). Tenía una sensibilidad del  
92% en comparación con un 71% para el triaje estándar utilizado en los tres centros, y una  
disminución de la tasa de falsos positivos del 41,8% (95% CI: 0,389-0,447) al 7,9% (14).  
Aprobación de la FDA por De Novo: la FDA ha aprobado recientemente la regla de decisión  
basada en IA Queen of Hearts; por lo tanto, existe la intención de implementar la regla de decisión  
en la atención clínica (16). Debe verificarse directamente en el sitio web oficial de la FDA antes del  
envío.  
Limitaciones: la implementación de la regla de decisión se basó en un estudio de  
ensayo/validación retrospectiva, sin calibración ni análisis de equidad, y sin medir ninguna  
variable de resultado, como la eficacia en términos de mortalidad o morbilidad, o el coste-  
efectividad.  
Calidad metodológica y sesgo  
La metodología de los 3 estudios incluidos en la presente revisión se evaluó utilizando el  
PROBAST+AI. Un estudio se clasificó como de bajo riesgo de sesgo, uno como de alto riesgo y uno  
como incierto. Luo et al. (6) utilizaron datos de validación multiómica independiente y abordaron  
adecuadamente los desafíos metodológicos asociados con la dimensionalidad. Carvalho et al. (14)  
utilizaron un diseño de estudio retrospectivo, sin validación prospectiva, y no abordaron  
estadísticas de calibración, lo que indica sesgo por optimismo (15). Govindaiah et al. (15) utilizaron  
un diseño de estudio que incorporó resultados de UK Biobank (validación interna/externa); sin  
embargo, informaron de un rendimiento inferior en cuanto a sensibilidad, especificidad y AUC en  
una muestra de 3.000 participantes, en comparación con el rendimiento del modelo en la cohorte  
de entrenamiento. Además, GOVINDAIYA et al. no abordaron explícitamente la estrategia de  
manejo de datos faltantes.  
536  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Tabla 3. Evaluación del riesgo de sesgo mediante PROBAST+AI.  
Evaluación  
global  
Bajo  
Estudio  
Participantes Predictores Desenlace Análisis  
Justificación  
empleó una cohorte  
Luo (2026) Bajo  
Bajo  
Bajo  
Bajo  
Se  
(6)  
independiente  
para  
la  
validación multiómica  
y
se  
aplicaron métodos adecuados  
para el análisis de datos de alta  
dimensionalidad,  
sin  
identificar indicios relevantes  
de sobreajuste.  
Carvalho  
(2026) (14)  
Alto  
Bajo  
Bajo  
Alto  
Alto  
El estudio utilizó un diseño  
retrospectivo,  
sin  
una  
validación  
prospectiva  
posterior. Además, no se  
reportaron medidas de  
calibración, lo que genera  
incertidumbre sobre la  
estabilidad del rendimiento  
observado un posible  
y
optimismo asociado al diseño  
del estudio.  
Govindaiah  
(2025) (15)  
Incierto  
Bajo  
Bajo  
Incierto Incierto  
Se realizó una validación  
externa en UK Biobank; sin  
embargo, el rendimiento fue  
inferior al observado en el  
conjunto  
de  
desarrollo,  
especialmente cuando no se  
incorporaron  
características  
(sensibilidad del 69,3%  
las  
retinianas  
y
especificidad  
Asimismo,  
del  
información  
66,4%).  
la  
disponible sobre el manejo de  
los datos faltantes fue  
insuficiente para establecer un  
riesgo de sesgo con certeza.  
Nota: PROBAST+AI = Prediction model Risk Of Bias Assessment Tool for Artificial Intelligence.  
Evaluación de la fiabilidad (GRADE)  
La fiabilidad de la evidencia se clasificó como «muy baja» para la enfermedad cardiovascular  
aguda (ECV) y el ictus, y «baja» para el diagnóstico del infarto de miocardio agudo (IMT). En el  
caso de la ECV aguda, la fiabilidad se vio reducida debido a la posibilidad de sesgos (estudios de  
carácter retrospectivo o con una validación limitada), a la falta de aplicabilidad (la evidencia  
predominante procedía de poblaciones europeas o norteamericanenses) y a la imprecisión (el  
índice C tenía un rango que iba del 0,64 al 0,82 y el número de eventos por subtipo era limitado).  
La fiabilidad del diagnóstico del IMT no se vio reducida debido a la imprecisión, ya que la amplitud  
537  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
del intervalo de confianza de la superficie bajo la curva (0,92-0,95) es reducida y el tamaño de la  
muestra (n=1.032) es adecuado. La fiabilidad para el ictus se vio reducida debido a la falta de  
aplicabilidad y a la imprecisión (cuyo tamaño de muestra era adecuado, pero la amplitud del  
intervalo de confianza de la superficie bajo la curva no se especificó completamente en el estudio  
original).  
Tabla 4. Evaluación de la certeza de la evidencia mediante GRADE.  
Desenlace  
N.º de Riesgo  
estudio sesgo  
s
de Inconsiste  
ncia  
Evidencia  
indirecta  
Imprecis  
ión  
Sesgo  
publicación  
de Certeza  
de  
evidencia  
la  
ECV  
incidente  
1
1
1
Serio¹  
No aplica  
No aplica  
No aplica  
Serio²  
Serio²  
Serio²  
Serio³  
No  
evaluable⁴  
⬇⬇  
(pronóstico)  
Diagnóstico  
OMI  
Ictus  
(pronóstico)  
Muy baja  
de  
Serio¹  
No serio⁵ No  
evaluable⁴  
No  
evaluable⁴  
⬇
baja  
Muy  
incidente  
Incierto  
Serio³  
⬇⬇  
Muy baja  
Notas: ¹ El riesgo de sesgo se consideró serio debido a las principales limitaciones metodológicas identificadas en  
los estudios incluidos. ² La evidencia indirecta se calificó como seria debido a las diferencias entre las poblaciones  
estudiadas y la población a la que se pretende generalizar los resultados. ³ La imprecisión se consideró seria debido  
al reducido número de estudios disponibles y a la incertidumbre asociada con las estimaciones. ⁴ El sesgo de  
publicación no pudo evaluarse formalmente debido al número limitado de estudios incluidos. ⁵ Para el desenlace  
diagnóstico de OMI, la imprecisión no se consideró seria.  
Justificaciones: ¹Riesgo de sesgo: estudio retrospectivo o con poca validación. ²Evidencia  
indirecta: la revisión tiene como objetivo la población general adulta, pero la mayoría de los  
estudios se llevaron a cabo en poblaciones europeas y norteamericanas, y no se incluyeron  
representantes de poblaciones latinoamericanas, asiáticas y africanas. ³Precisión: con respecto a  
la primera versión, la clasificación de riesgo para el evento cardiovascular (CV) puede considerarse  
poco clara, ya que la mayoría de los estudios tuvieron un C-index comprendido entre 0,64 y 0,82,  
y el número de eventos procedentes de los ensayos parece haberse desglosado entre los distintos  
eventos CV; para el ictus, el tamaño de la muestra general parece satisfactorio (> 6.500), pero no  
se indicaba el intervalo de confianza de la AUC en el estudio original. ⁴ Sesgo de publicación: no  
se puede evaluar con <10 estudios. ⁵ Las características de discriminación del modelo para el  
diagnóstico de OM I son un intervalo de confianza de la AUC estrecho (0,92-0,95) y un tamaño de  
muestra (n=1.032) que no compromete su validez, por lo que la precisión no se ve afectada. Los  
estudios observacionales se basan en una «certeza de baja calidad»; el nivel de prueba  
recomendado se vio reducido debido a la «dualidad» de los estudios en diversos campos, lo que  
dio lugar a una «certeza muy baja" para ECV incidente e ictus, y "baja» para el diagnóstico de OM  
I (12,13).  
Brechas en la validación clínica  
No se identificaron resultados relacionados con el paciente (mortalidad, hospitalización, calidad  
de vida) en ensayos clínicos prácticos, y solo un artículo mencionaba la evaluación de la utilidad  
538  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
clínica mediante un análisis de decisión. La mediana del seguimiento varió de 7 días a 15 años.  
Estas lagunas en la investigación comprometen la aplicabilidad de las herramientas y merecen  
especial atención, y los ensayos clínicos prácticos con seguimiento de resultados relevantes para  
el paciente parecen imprescindibles.  
DISCUSIÓN  
Hallazgos principales  
Esta revisión sistemática identificó tres estudios que cumplieron los criterios de inclusión sobre  
la integración de biomarcadores multiómicos, datos clínicos e IA para ECV. El estudio  
CardiOmicScore demostró una mejora progresiva de la discriminación del riesgo para seis  
subtipos de ECV en poblaciones europeas (6). La aplicación Queen of Hearts mostró resultados  
prometedores en un registro retrospectivo multicéntrico (14). El modelo de predicción de ictus  
basado en imágenes retinianas tuvo una AUC de 0.83 frente a 0.73 del Framingham y 0.74 del  
CHADS2 en la misma evaluación (15).  
La pregunta de investigación clave no es si mejora el C-index, sino si conduce a una ganancia  
práctica y a mejores resultados para los pacientes. La certeza de la evidencia fue muy baja para  
los resultados de ECV incidente e ictus, y baja para el diagnóstico de OMI (12,13). Esto respalda  
las revisiones sistemáticas que muestran que la mayoría de los modelos de IA en cardiología se  
encuentran actualmente en una etapa temprana de validación y que poco se sabe sobre su  
impacto real en los resultados de salud.  
Interpretación en el contexto de la literatura previa  
Como en otras revisiones, se encontraron valores AUC de 0.80 a 0.99 al aplicar IA en cardiología  
(3); sin embargo, se destaca un vacío en la literatura: esta revisión sistemática es la primera en  
evaluar tres elementos: la calibración, que es necesaria para la puesta en producción de modelos  
de IA, y la justificación de la equidad, que también debe tenerse en cuenta durante la validación.  
Aunque la mayoría de las revisiones se centran en la capacidad predictiva del algoritmo, lo cual  
es una cuestión crítica, la ausencia de otra información impide una evaluación exhaustiva de la  
herramienta en un entorno clínico real.  
El estudio CardiOmicScore fue un importante paso adelante en el desarrollo de modelos  
predictivos para pacientes con ECV, ya que empleó aprendizaje profundo para integrar datos del  
metaboloma y el proteoma, lo que superó las restricciones de utilizar únicamente PRS (5,6). Sin  
embargo, no se proporcionaron comparaciones dentro del mismo estudio del rendimiento del  
MetScore/ProScore frente al del Framingham, ni ningún otro tipo de comparación dentro del  
mismo estudio, para demostrar que la integración de la IA “supera” los PRS. Lo único que  
demuestran los estudios es que el modelo de IA tiene un ligero aumento del rendimiento  
predictivo cuando se utiliza junto con variables clínicas (6).  
539  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
Limitaciones de los estudios incluidos  
Se produjo una falta de validación externa en todos los estudios. En el estudio CardiOmicScore,  
la validación se llevó a cabo comparando los resultados de Escocia (UK) utilizando ubconjuntos  
de UK Biobank; por lo tanto, se trata de validación interna, aunque geográficamente cruzada (6).  
Govindaiah et al. también validaron en Biobanco UK; sin embargo, su captura de imágenes no se  
realizó en todos los participantes, lo que dio como resultado una sensibilidad de 69.3% y una  
especificidad de 66.4% (15). La razón de estas comparaciones es que la mayoría de los estudios  
utilizan Biobanco UK, lo cual puede no ser representativo de la población latinoamericana,  
asiática o africana, y es menos probable que tengan éxito al implementar estos modelos en estas  
poblaciones.  
Calibración: La calibración es un elemento crucial de cualquier herramienta de predicción; sin  
embargo, no se informó en ninguno de los estudios incluidos [6,14,15]. Esta ausencia constituye  
una brecha metodológica sustancial, ya que sin calibración no es posible determinar si las  
probabilidades predichas corresponden a las probabilidades observadas en la práctica clínica (8).  
Equidad. La falta de atención a la equidad en todas las poblaciones también constituye otra  
limitación importante de los estudios revisados (6,14,15). Por ejemplo, no se informó ninguna  
validación en pacientes latinoamericanos, lo que limita en gran medida las oportunidades de  
utilizar esta herramienta en este grupo de población. Se necesita investigación adicional antes de  
que este modelo de IA pueda implementarse con éxito en pacientes de diferentes grupos étnicos  
y géneros.  
Implicaciones clínicas  
La aprobación de la FDA para la aplicación Queen of Hearts es una indicación de su posible  
implementación en la práctica clínica; sin embargo, la mayoría de los modelos de IA para medicina  
de precisión se encuentran actualmente en una etapa muy temprana de desarrollo, lo que plantea  
una serie de problemas (16). Además, el estudio no midió ni los resultados clínicos ni el  
rendimiento del sistema sanitario, como los eventos cardiovasculares a los 12 meses, los  
procedimientos evitados, las muertes y los costos (14). Por lo tanto, no se puede afirmar que haya  
implicaciones reales para la eficiencia del sistema sanitario.  
La interpretabilidad es otra limitación importante de utilizar un modelo de “caja negra” en la  
atención al paciente. Existen formas de hacer más transparentes los modelos de “caja negra”; sin  
embargo, no estaban implementadas en ninguno de los artículos revisados (7). Dada la gravedad  
de la mayoría de las afecciones tratadas con IA en cardiología, la falta de detalles sobre el  
algoritmo podría suponer un importante riesgo para los pacientes.  
Fortalezas y limitaciones de esta revisión sistemática  
Las fortalezas de la revisión incluyen el cumplimiento de las recomendaciones de PRISMA 2020  
(9); la estrategia de búsqueda, que fue exhaustiva y se realizó en cuatro bases de datos; la  
selección duplicada de estudios relevantes; la evaluación de la calidad mediante el formulario  
540  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
PROBAST+AI (10); la separación entre estudios diagnósticos y pronósticos; y el uso de la escala  
GRADE para evaluar la certeza de la evidencia (12,13). Además, se identificó la calibración como  
un área importante, que requiere una mayor investigación y que actualmente está bajo estimada.  
Entre las limitaciones se incluyen la amplia variedad de estudios que limitó la síntesis de la  
evidencia y la ausencia de publicaciones en idiomas además del inglés y el español. El uso de  
PROBAST+AI también podría considerarse una limitación; aunque el método ha demostrado ser  
eficaz para evaluar estudios diagnósticos, su implementación puede ser cuestionable. Además,  
no se utilizaron ninguna de las estrategias para descubrir literatura gris, lo que podría haber  
afectado los resultados al excluir estudios relevantes que habrían mejorado la validez de la  
revisión. La revisión careció de un registro prospectivo, lo que representa una limitación adicional.  
Por último, la certeza de la evidencia relacionada con los resultados fue muy baja para todas las  
revisiones; por lo tanto, las conclusiones derivadas de la síntesis de la evidencia deben tomarse  
con cautela. Por último, el uso de solo n=3 estudios suelen considerarse una limitación; aunque  
la calidad de los estudios fue adecuada, la cantidad es insuficiente para una revisión sistemática.  
Estudios futuros  
Se requieren estudios de investigación adicionales que aborden las disparidades identificadas en  
la revisión sistemática. En primer lugar, deben realizarse más estudios de validación externa; esta  
es la única manera de garantizar que el modelo de IA funcione de manera adecuada y sea  
relevante para todas las poblaciones. Es especialmente relevante verificar si los modelos  
desarrollados en poblaciones caucásicas funcionan en poblaciones latinoamericanas, asiáticas y  
africanas. En segundo lugar, deben realizarse intervenciones futuras para medir los resultados  
clínicos y el rendimiento del sistema sanitario a fin de determinar si la IA realmente se traduce en  
un ahorro de dinero, tiempo y vidas. En tercer lugar, se requiere una mayor investigación sobre  
la calibración para garantizar que las herramientas sean lo suficientemente precisas en la práctica  
cotidiana y no provoquen alertas falsas. A continuación, debe abordarse la implementación de la  
explicabilidad de los modelos de IA para que los médicos puedan entender las implicaciones de  
utilizar dichas herramientas. Por último, se requiere investigación adicional sobre la equidad,  
porque la mayoría de los estudios carecen de ella y este es un campo emergente en el uso de IA  
en la cardiología (17,18,20).  
CONCLUSIONES  
La evidencia de nivel más alto (estudios de cohorte prospectivos) que cumpla simultáneamente  
todos los criterios de integración multi-dominio es limitada. La evidencia disponible es  
insuficiente para determinar la eficacia de la IA en la medicina de precisión cardiovascular. El  
estudio CardiOmicScore reportó una mejora en la discriminación de riesgo para seis subtipos de  
ECV en una población europea. El estudio Queen of Hearts reportó un AUC de 0,94 en un registro  
retrospectivo, pero aún debe realizarse un estudio prospectivo. El modelo basado en imagen  
retinal un AUC de 0,83 para la predicción de ictus a cinco años.  
La certeza de la evidencia disponible se clasifica como muy baja para todos los desenlaces  
evaluados. Esta clasificación refleja limitaciones metodológicas sustanciales, incluyendo el  
541  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
predominio de diseños retrospectivos, la ausencia de validación externa en poblaciones diversas,  
la falta de métricas de calibración y la ausencia de evaluación de equidad algorítmica en los  
estudios incluidos.  
Los modelos de medicina de precisión cardiovascular deben someterse a validación prospectiva  
rigurosa, evaluación de calibración y análisis de equidad antes de su implementación clínica. Su  
adopción debe estar condicionada  
a
marcos regulatorios robustos que capturen  
interpretabilidad, robustez y ausencia de sesgos.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
4.  
5.  
6.  
7.  
8.  
9.  
10.  
Vaduganathan M, Mensah GA, Turco JV, Fuster V, Roth GA. The global burden of  
cardiovascular diseases and risk: a compass for future health. J Am Coll Cardiol.  
2022;80(25):2361-71. doi:10.1016/j.jacc.2022.11.005  
Arnett DK, Blumenthal RS, Albert MA, Buroker AB, Goldberger ZD, Hahn EJ, et al. 2019  
ACC/AHA guideline on the primary prevention of cardiovascular disease. Circulation.  
2019;140(11). doi:10.1161/CIR.0000000000000678  
Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial intelligence in precision  
cardiovascular  
medicine.  
J
Am  
Coll  
Cardiol.  
2017;69(21):2657-64.  
doi:10.1016/j.jacc.2017.03.571  
O'Sullivan JW, Raghavan S, Marquez-Luna C, Luzum JA, Damrauer SM, Ashley EA, et al.  
Polygenic risk scores for cardiovascular disease: a scientific statement from the American  
Heart Association. Circulation. 2022;146(8). doi:10.1161/CIR.0000000000001077  
Mazidi M, Wright N, Yao P, et al. Risk prediction of ischemic heart disease using plasma  
proteomics, conventional risk factors and polygenic scores in Chinese and European adults.  
Eur J Epidemiol. 2024;39(11):1229-40. doi:10.1007/s10654-024-01168-8  
Luo Y, Zhang N, Yang J, Cui M, Tsoi KKF, Lip GYH, et al. AI-based multiomics profiling reveals  
complementary omics contributions to personalized prediction of cardiovascular disease.  
Nat Commun. 2026;17:2269. doi:10.1038/s41467-026-68956-6  
Moor M, Banerjee O, Abad ZSH, Krumholz HM, Leskovec J, Topol EJ, et al. Foundation  
models for generalist medical artificial intelligence. Nature. 2023;616(7956):259-65.  
doi:10.1038/s41586-023-05881-4  
Van Calster B, McLernon DJ, van Smeden M, Wynants L, Steyerberg EW. Calibration: the  
Achilles heel of predictive analytics. BMC Med. 2019;17(1):230. doi:10.1186/s12916-019-  
1466-7  
Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA  
2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372.  
doi:10.1136/bmj.n71  
Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, et al. PROBAST+AI:  
an updated quality, risk of bias, and applicability assessment tool for prediction models  
using regression or artificial intelligence methods. BMJ. 2025;388. doi:10.1136/bmj-2024-  
082505  
542  
MEDICINA DE PRECISIÓN EN ENFERMEDADES CARDIOVASCULARES: INTEGRACIÓN DE BIOMARCADORES, DATOS CLÍNICOS E  
INTELIGENCIA ARTIFICIAL PARA LA TOMA DE DECISIONES  
11.  
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Porrúa C, et al. PRISMA-S:  
an extension to the PRISMA Statement for Reporting Literature Searches in Systematic  
Reviews. Syst Rev. 2021;10(1):39. doi:10.1186/s13643-020-01542-z  
12.  
13.  
Foroutan F, Guyatt G, Trivella M, Kreuzberger N, Skoetz N, Riley RD, et al. GRADE concept  
paper 2: concepts for judging certainty on the calibration of prognostic models in a body of  
validation studies. J Clin Epidemiol. 2022;143:202-11. doi:10.1016/j.jclinepi.2021.11.024  
Foroutan F, Mayer M, Guyatt G, Riley RD, Mustafa R, Kreuzberger N, et al. GRADE concept  
paper 8: judging the certainty of discrimination performance estimates of prognostic  
models in a body of validation studies. J Clin Epidemiol. 2024;170:111344.  
doi:10.1016/j.jclinepi.2024.111344  
14.  
15.  
16.  
Carvalho T, Oliveira da Silva L, Da Silva IP, et al. AI-enabled ECG analysis improves diagnostic  
accuracy and reduces false STEMI activations: a multicenter U.S. registry. JACC Cardiovasc  
Interv. 2026;19(2):145-56. doi:10.1016/j.jcin.2025.10.018  
Govindaiah A, Bhuiyan T, Smith RT, Dhamoon MS, Bhuiyan A. A machine learning prediction  
model to identify individuals at risk of 5-year incident stroke based on retinal imaging.  
Sensors (Basel). 2025;25(6):1917. doi:10.3390/s25061917  
Powerful Medical. Powerful Medical receives FDA De Novo approval for PMcardio "Queen  
of Hearts," its AI ECG model for detecting acute heart attacks [Internet]. 2026 [cited 2026  
Sep 26]. Available from: https://www.powerfulmedical.com/  
17.  
18.  
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence.  
Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7  
Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI  
statement: updated guidance for reporting clinical prediction models that use regression or  
machine learning methods. BMJ. 2024;385. doi:10.1136/bmj-2023-078378  
Iorio A, Spencer FA, Falavigna M, Alba C, Lang E, Burnand B, et al. Use of GRADE for  
assessment of evidence about prognosis: rating confidence in estimates of event rates in  
broad categories of patients. BMJ. 2015;350. doi:10.1136/bmj.h870  
Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, et al. Reporting  
guideline for the early-stage clinical evaluation of decision support systems driven by  
artificial intelligence: DECIDE-AI. Nat Med. 2022;28(5):924-33. doi:10.1038/s41591-022-  
01772-9  
19.  
20.  
543