La cardiología genera cantidades crecientes de datos: electrocardiogramas, imágenes médicas, analíticas, historias clínicas, información genética y datos procedentes de relojes inteligentes y otros dispositivos
Descubre cómo la ciencia de datos, el machine learning y la IA están transformando la cardiología, desde el ECG y la imagen hasta el riesgo cardiovascular.
La cardiología genera enormes cantidades de información. Analizamos cómo la ciencia de datos, el machine learning y la inteligencia artificial permiten estudiar ECG, imágenes, riesgo cardiovascular, wearables y otras fuentes de datos.
Ciencia de datos y cardiología: cómo los datos están transformando la salud cardiovascular
Las enfermedades cardiovasculares constituyen uno de los mayores problemas de salud pública del mundo. Al mismo tiempo, la cardiología genera cantidades crecientes de datos: electrocardiogramas, imágenes médicas, analíticas, historias clínicas, información genética y datos procedentes de relojes inteligentes y otros dispositivos.
¿Qué ocurre cuando aplicamos ciencia de datos a toda esta información?
Estadística, análisis de señales, machine learning, deep learning e inteligencia artificial están permitiendo investigar nuevas formas de identificar patrones, estimar riesgos, analizar imágenes, monitorizar pacientes y comprender mejor las enfermedades cardiovasculares.
Pero existe una cuestión fundamental: construir un algoritmo capaz de realizar buenas predicciones no significa necesariamente mejorar la salud de las personas.
Esta diferencia entre posibilidades tecnológicas y evidencia real será uno de los principales temas que investigaremos en esta nueva serie de CienciaDeDatos.pro dedicada a la ciencia de datos aplicada a la cardiología.
Las enfermedades cardiovasculares: un enorme desafío mundial
La magnitud del problema ayuda a comprender por qué existe tanto interés en aplicar ciencia de datos a la salud cardiovascular.
La Organización Mundial de la Salud (OMS) considera las enfermedades cardiovasculares la principal causa de muerte en el mundo.
Según sus últimas cifras disponibles, aproximadamente 19,8 millones de personas murieron por enfermedades cardiovasculares en 2022, alrededor del 32 % de todas las muertes mundiales. Aproximadamente el 85 % de estas defunciones estuvieron relacionadas con infartos de miocardio y accidentes cerebrovasculares.
Además, más de tres cuartas partes de las muertes cardiovasculares se producen en países de ingresos bajos y medios.
Las enfermedades cardiovasculares incluyen diferentes trastornos que afectan al corazón y a los vasos sanguíneos. Y detrás de muchas de ellas encontramos numerosos factores que pueden medirse y convertirse en datos.
Presión arterial.
Colesterol.
Glucosa.
Edad.
Actividad física.
Tabaquismo.
Peso corporal.
Antecedentes clínicos.
Frecuencia cardíaca.
Señales eléctricas del corazón.
Imágenes.
Información genética.
Esta capacidad para representar determinados aspectos de la salud mediante datos explica parte del enorme potencial de la ciencia de datos cardiovascular.
Del corazón al dato
Pensemos en una persona a la que se realiza un electrocardiograma.
Para un profesional sanitario, el ECG constituye una prueba que permite estudiar la actividad eléctrica del corazón.
Para un científico de datos, también puede contemplarse como una serie temporal formada por una secuencia de mediciones.
Ahora pensemos en una ecocardiografía.
Desde la perspectiva clínica es una técnica de imagen fundamental para estudiar el corazón.
Desde la perspectiva de la ciencia de datos también representa un problema de procesamiento de imagen y visión artificial.
Una historia clínica electrónica puede convertirse en un conjunto de datos longitudinales.
Una nota clínica puede convertirse en un problema de procesamiento del lenguaje natural.
Un reloj inteligente puede generar series temporales de frecuencia cardíaca, actividad física y otras señales.
Una cohorte formada por cientos de miles de personas puede convertirse en un enorme dataset para estudiar factores asociados al riesgo cardiovascular.
La cardiología constituye así un extraordinario punto de encuentro entre medicina, estadística, informática y ciencia de datos.
¿Qué puede aportar la ciencia de datos?
Podemos simplificar gran parte del proceso mediante una secuencia:
Datos → patrones → modelos → predicciones → decisiones → resultados
Cada una de estas etapas plantea problemas diferentes.
Primero necesitamos obtener datos.
Después debemos limpiarlos, estructurarlos y comprobar su calidad.
Podemos entonces explorar relaciones y patrones mediante estadística y visualización.
A continuación es posible desarrollar modelos capaces de clasificar situaciones o estimar determinados resultados.
Finalmente debemos comprobar si esos modelos funcionan correctamente y, todavía más importante, si aportan algún valor en situaciones reales.
Este último paso es fundamental.
La American Heart Association (AHA), en una declaración científica dedicada específicamente a la utilización de inteligencia artificial en enfermedades cardiovasculares, señala que existe una enorme actividad investigadora en este ámbito, pero también que relativamente pocas herramientas basadas en IA han demostrado mejorar suficientemente la atención cardiovascular como para justificar una adopción generalizada.
Por tanto, debemos distinguir entre tres cuestiones diferentes:
¿Puede construirse el algoritmo?
¿Funciona correctamente con datos independientes?
¿Mejora realmente algún resultado relevante cuando se utiliza en la práctica?
No son la misma pregunta.
1. Predecir el riesgo cardiovascular
La predicción constituye una de las aplicaciones más importantes del análisis de datos en cardiología.
Durante décadas se han utilizado modelos estadísticos para estimar riesgo cardiovascular a partir de diferentes variables.
La llegada del machine learning permite investigar relaciones más complejas e incorporar potencialmente un mayor número de variables.
Podemos imaginar un dataset en el que cada fila represente a una persona y las columnas contengan variables como:
edad, presión arterial, colesterol, glucosa, tabaquismo, antecedentes médicos y otras características.
Un modelo aprende utilizando casos anteriores y posteriormente intenta estimar el riesgo en nuevos casos.
Conceptualmente parece sencillo.
En la práctica aparecen numerosos problemas.
¿Qué variables incluimos?
¿Hay datos ausentes?
¿La población utilizada para desarrollar el modelo representa a las personas sobre las que queremos utilizarlo?
¿Estamos sobreajustando?
¿La predicción está bien calibrada?
¿Funciona igual en diferentes poblaciones?
¿Aporta realmente algo respecto a los modelos existentes?
Una declaración científica de la American Heart Association publicada en 2026 sobre evaluación de nuevas herramientas de predicción cardiovascular insiste precisamente en que los nuevos modelos deben juzgarse no solo por su capacidad predictiva, sino también por su utilidad clínica.
Una mejora en una métrica estadística no implica automáticamente una mejora relevante para las personas.
2. Electrocardiogramas que se convierten en datos
El electrocardiograma constituye uno de los ejemplos más interesantes de la convergencia entre cardiología y ciencia de datos.
Un ECG registra señales eléctricas producidas por el corazón.
Estas señales contienen patrones relacionados con su funcionamiento y pueden analizarse mediante técnicas de procesamiento digital de señales.
El deep learning ha añadido una posibilidad diferente: permitir que determinados modelos aprendan directamente a partir de grandes cantidades de señales.
La investigación sobre AI-ECG, o electrocardiografía asistida por inteligencia artificial, está estudiando aplicaciones que van más allá de la clasificación tradicional de un electrocardiograma.
Una revisión publicada en EMBO Molecular Medicine en 2025 describe cómo los modelos de deep learning pueden trabajar directamente con señales ECG de elevada dimensionalidad e investigar patrones que no forman parte necesariamente de los criterios convencionales de interpretación.
Se han estudiado, por ejemplo, modelos dirigidos a detectar determinadas alteraciones cardíacas o estimar riesgos a partir del ECG.
Esto convierte una prueba médica con más de un siglo de historia en una fuente extraordinariamente interesante para la ciencia de datos contemporánea.
Pero también plantea una pregunta que aparecerá repetidamente en esta serie:
¿qué está aprendiendo realmente el algoritmo?
3. Cuando una imagen del corazón se convierte en millones de datos
Ecocardiografía, tomografía computarizada y resonancia magnética generan imágenes cardiovasculares de enorme riqueza.
Aquí entramos en el terreno de la visión artificial.
Los algoritmos pueden utilizarse para realizar tareas como:
- identificar estructuras;
- segmentar regiones de una imagen;
- efectuar determinadas mediciones;
- clasificar imágenes;
- detectar patrones;
- automatizar algunas tareas repetitivas.
La American Heart Association ha dedicado una declaración científica específica a la creación de valor mediante inteligencia artificial e imagen cardiovascular.
La cuestión relevante vuelve a ir más allá de desarrollar un modelo con buenas métricas.
La AHA propone evaluar la creación de valor considerando diferentes dimensiones, entre ellas los resultados clínicos, la calidad de la atención, la experiencia de profesionales y pacientes, la equidad y los costes.
Desde CienciaDeDatos.pro nos interesa especialmente esta perspectiva.
La tecnología debe evaluarse por el valor que genera, no solamente por la sofisticación del algoritmo.
4. El corazón monitorizado continuamente
Tradicionalmente, muchos datos médicos se obtenían en momentos concretos.
Una consulta.
Una prueba.
Una hospitalización.
Una analítica.
Los dispositivos portátiles están cambiando parcialmente este paradigma.
Smartwatches, pulseras, sensores y otros dispositivos pueden generar información durante horas, días, meses o incluso años.
Esto significa pasar de unas pocas observaciones a miles o millones de puntos de datos por persona.
Desde la ciencia de datos aparecen inmediatamente nuevos desafíos:
¿cómo almacenamos esa información?
¿Cómo eliminamos ruido?
¿Cómo detectamos anomalías?
¿Qué hacemos con los datos ausentes?
¿Cómo diferenciamos una señal relevante de una falsa alarma?
¿Cómo integramos información procedente de dispositivos diferentes?
¿Y qué información merece realmente llegar hasta un profesional sanitario?
Una declaración científica publicada en Journal of the American College of Cardiology sobre tecnologías móviles de consumo señala precisamente este doble escenario.
Los wearables ofrecen posibilidades para generar datos cardiovasculares de forma accesible y continuada, pero también existen preocupaciones relacionadas con exactitud, utilidad, sobrecarga de datos y consecuencias no deseadas.
Más datos no significan necesariamente mejor conocimiento.
5. Historias clínicas: aprender del pasado para comprender el futuro
Los sistemas sanitarios acumulan enormes cantidades de información.
Diagnósticos.
Pruebas.
Tratamientos.
Hospitalizaciones.
Resultados analíticos.
Medicamentos.
Notas clínicas.
Evolución de pacientes.
Las historias clínicas electrónicas permiten analizar retrospectivamente grandes poblaciones y construir modelos destinados a estudiar diferentes resultados.
Pero estos datos no fueron necesariamente creados pensando en investigación o machine learning.
Pueden existir datos ausentes, cambios en los sistemas de registro, diferencias entre hospitales, errores, sesgos de selección y numerosas circunstancias que dificultan su análisis.
Aquí aparece uno de los principios más importantes de toda ciencia de datos:
La calidad de un modelo depende en gran medida de la calidad y representatividad de los datos utilizados para construirlo.
Un algoritmo sofisticado no puede convertir automáticamente datos deficientes en conocimiento fiable.
6. Genética, biomarcadores y medicina de precisión
La cantidad de información disponible aumenta todavía más cuando incorporamos datos genéticos y moleculares.
Genómica.
Proteómica.
Metabolómica.
Biomarcadores.
Imágenes.
Historia clínica.
Estilo de vida.
Datos ambientales.
Cada persona puede representarse mediante miles o millones de características potenciales.
La denominada medicina de precisión intenta aprovechar esta información para comprender mejor las diferencias entre individuos y desarrollar estrategias más personalizadas.
Para la ciencia de datos esto representa un problema fascinante de alta dimensionalidad e integración multimodal.
La pregunta deja de ser únicamente qué podemos aprender de cada fuente de información por separado.
La pregunta pasa a ser:
¿qué podemos descubrir cuando las combinamos?
La gran oportunidad: encontrar patrones que no podemos observar fácilmente
Buena parte del atractivo del machine learning reside en su capacidad para encontrar relaciones complejas dentro de grandes cantidades de información.
Una persona puede analizar determinadas variables.
Un algoritmo puede procesar simultáneamente miles.
Pero esto no significa que todo patrón descubierto sea necesariamente significativo.
Puede existir una correlación sin causalidad.
Puede haber variables que actúen como proxies de otras.
Puede aparecer información accidentalmente relacionada con el resultado.
Puede producirse sobreajuste.
Incluso pueden encontrarse patrones que funcionan extraordinariamente bien en un hospital y fracasan cuando intentamos utilizarlos en otro.
Por eso la pregunta correcta no es solamente:
«¿Qué precisión alcanza el modelo?»
También debemos preguntar:
«¿Por qué funciona?»
«¿Sobre qué población?»
«¿Ha sido validado externamente?»
«¿Se mantiene su rendimiento con el tiempo?»
«¿Genera algún beneficio real?»
El problema de los sesgos
Los algoritmos aprenden del pasado.
Y los datos del pasado reflejan cómo funcionaba el mundo cuando fueron generados.
Esto puede incluir desigualdades, diferencias en acceso a la atención sanitaria, poblaciones infrarrepresentadas y decisiones humanas previas.
Si determinados grupos están insuficientemente representados en los datos utilizados para entrenar un modelo, su rendimiento puede ser diferente cuando se aplica a esas poblaciones.
La AHA identifica precisamente la equidad, el sesgo y la diversidad de los datos entre los desafíos fundamentales para el desarrollo responsable de inteligencia artificial cardiovascular.
Por eso una evaluación rigurosa debe analizar no solamente el rendimiento medio de un algoritmo.
También debemos preguntarnos:
¿funciona igual para todas las personas?
Correlación no significa causalidad
Este principio clásico de la estadística adquiere todavía mayor importancia cuando analizamos grandes datasets.
Supongamos que encontramos una variable fuertemente relacionada con una enfermedad cardiovascular.
Eso no demuestra necesariamente que esa variable provoque la enfermedad.
Podría existir otra variable que explique ambas.
Podría tratarse de un marcador indirecto.
Podría existir un sesgo en la forma en que fueron obtenidos los datos.
O podríamos haber encontrado una asociación accidental.
Machine learning puede ser extraordinariamente potente para predecir.
Pero predecir y explicar causalmente son problemas diferentes.
Esta distinción será recurrente en nuestros análisis.
Del algoritmo al hospital existe un largo camino
Una investigación puede seguir aproximadamente esta secuencia:
dataset → entrenamiento → validación → publicación científica
Pero una herramienta utilizada realmente en sanidad necesita superar muchas etapas adicionales:
validación externa → evaluación clínica → integración → regulación → seguridad → monitorización → adopción profesional → evaluación de resultados
Esta distancia explica por qué existen miles de investigaciones sobre IA médica pero muchas menos herramientas utilizadas de forma rutinaria.
La American Heart Association resume bien esta situación: existe un enorme interés científico y financiero en IA cardiovascular, pero todavía es necesario generar mejor evidencia sobre su capacidad para mejorar resultados a escala.
La innovación tecnológica y la evidencia clínica avanzan a velocidades diferentes.
¿Sustituirá la inteligencia artificial al cardiólogo?
Probablemente esta sea una de las preguntas menos interesantes que podemos formular.
La cuestión científicamente más útil es otra:
¿qué tareas pueden realizar mejor conjuntamente profesionales y sistemas computacionales?
Los algoritmos tienen determinadas ventajas.
Pueden procesar enormes cantidades de información.
Detectar determinados patrones.
Repetir tareas de forma consistente.
Analizar datos continuamente.
Los profesionales aportan otras capacidades esenciales.
Contexto.
Experiencia clínica.
Interpretación.
Comunicación.
Juicio.
Comprensión de circunstancias individuales.
Responsabilidad.
La transformación más interesante probablemente no consista en sustituir unas capacidades por otras, sino en estudiar cómo pueden complementarse.
Un extraordinario laboratorio para aprender ciencia de datos
Existe otra razón por la que iniciamos esta serie en CienciaDeDatos.pro.
La cardiología constituye un excelente laboratorio para comprender la propia ciencia de datos.
Nos permite estudiar:
estadística, mediante factores de riesgo y estudios poblacionales;
regresión, mediante modelos predictivos;
clasificación, mediante diagnóstico asistido;
series temporales, mediante ECG y sensores;
procesamiento de señales, mediante electrocardiografía;
visión artificial, mediante imagen cardiovascular;
procesamiento del lenguaje natural, mediante documentación clínica;
machine learning, mediante predicción y clasificación;
deep learning, mediante señales e imágenes;
análisis de supervivencia, mediante el estudio del tiempo hasta determinados eventos;
datos multimodales, combinando diferentes fuentes;
ética y sesgos, estudiando cómo funcionan los modelos sobre poblaciones diferentes.
Por eso nuestra serie no pretende convertirse en una colección de artículos médicos.
Nuestro objeto de estudio serán los datos.
Nace el Observatorio de Ciencia de Datos y Salud Cardiovascular
Con este artículo inauguramos una nueva línea permanente de CienciaDeDatos.pro:
Ciencia de datos aplicada a la cardiología
Analizaremos investigaciones, revisiones científicas, datasets y aplicaciones reales para intentar comprender cómo los datos están transformando el conocimiento cardiovascular.
Seguiremos una metodología sencilla.
Ante cada investigación intentaremos responder:
1. ¿Qué problema intenta resolver?
2. ¿Qué datos utiliza?
3. ¿Cómo se analizan?
4. ¿Qué resultados obtiene?
5. ¿Cuáles son sus limitaciones?
6. ¿Qué podemos aprender desde la ciencia de datos?
En los próximos artículos estudiaremos ECG e inteligencia artificial, predicción del riesgo cardiovascular, imagen médica, wearables, datasets cardiovasculares, sesgos algorítmicos, explicabilidad y validación.
Y analizaremos papers concretos.
No para preguntar únicamente si utilizan inteligencia artificial.
Sino para responder una pregunta mucho más importante:
¿Qué conocimiento podemos obtener de los datos y hasta qué punto podemos confiar en él?
Ahí se encuentra una de las grandes oportunidades —y también una de las grandes responsabilidades— de la ciencia de datos aplicada a la salud.
Referencias y fuentes
World Health Organization (WHO). Cardiovascular diseases (CVDs). Actualización: 31 de julio de 2025.
https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-%28cvds%29
Armoundas AA, Narayan SM, Arnett DK, et al. (2024). Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation. 149(14):e1028-e1050.
DOI: 10.1161/CIR.0000000000001201. PMID: 38415358.
Hanneman K, Playford D, Dey D, et al. (2024). Value Creation Through Artificial Intelligence and Cardiovascular Imaging: A Scientific Statement From the American Heart Association. Circulation. 149:e296-e311.
DOI: 10.1161/CIR.0000000000001202.
Khan SS, Greenland P, Hayman LL, et al. (2026). Criteria to Assess the Predictive and Clinical Utility of Novel Models, Biomarkers, and Tools for Risk of Cardiovascular Disease: A Scientific Statement From the American Heart Association. Circulation. 153:e953-e970.
DOI: 10.1161/CIR.0000000000001401.
Varma N, Han JK, Passman R, et al. (2024). Promises and Perils of Consumer Mobile Technologies in Cardiovascular Care: JACC Scientific Statement. Journal of the American College of Cardiology. 83(5):611-631.
DOI: 10.1016/j.jacc.2023.11.024.
Artificial intelligence-enabled electrocardiography from scientific research to clinical application (2025). EMBO Molecular Medicine. Publicado online el 1 de diciembre de 2025.
Nota editorial
Este artículo forma parte de la línea Ciencia de datos aplicada a la cardiología de CienciaDeDatos.pro.
El contenido ha sido elaborado con apoyo de herramientas de inteligencia artificial bajo supervisión editorial humana y contrastado mediante publicaciones científicas y fuentes institucionales.
Su objetivo es exclusivamente divulgativo y educativo. No proporciona diagnósticos, tratamientos ni recomendaciones médicas y no sustituye la valoración de profesionales sanitarios cualificados.
Última revisión bibliográfica: septiembre de 2026.