Descubrimos qué tipos de datos permiten estudiar el corazón y cómo los analiza la ciencia de datos
Descubre qué datos utiliza la ciencia de datos para estudiar el corazón: ECG, imágenes, historias clínicas, wearables, biomarcadores, genética y más.
ECG, imágenes, historias clínicas, wearables, biomarcadores y genética: descubrimos qué tipos de datos permiten estudiar el corazón y cómo los analiza la ciencia de datos.
Qué datos utiliza la ciencia de datos para estudiar el corazón
Electrocardiogramas, imágenes médicas, historias clínicas, análisis de sangre, información genética, wearables y grandes estudios poblacionales generan cantidades enormes de datos sobre nuestra salud cardiovascular.
Pero esos datos son muy diferentes entre sí.
Un electrocardiograma es fundamentalmente una señal que cambia con el tiempo. Una resonancia magnética cardíaca produce imágenes. Una historia clínica combina variables estructuradas y texto. Un reloj inteligente genera series temporales continuas. La información genética puede contener millones de variantes.
Esta diversidad convierte la cardiología en un extraordinario campo de aplicación de la ciencia de datos.
Comprender qué datos existen, cómo están representados y qué podemos aprender de ellos es el primer paso antes de construir cualquier modelo estadístico, de machine learning o de inteligencia artificial.
En este artículo recorremos las principales fuentes de datos utilizadas para estudiar el corazón desde una perspectiva diferente: la del científico de datos.
Antes del algoritmo están los datos
Cuando hablamos de inteligencia artificial aplicada a la cardiología resulta fácil centrar la atención en los algoritmos.
Redes neuronales.
Random forests.
Transformers.
Deep learning.
Modelos multimodales.
Pero un principio fundamental de la ciencia de datos es que ningún algoritmo existe de forma independiente de los datos con los que aprende.
Podemos representarlo mediante una secuencia sencilla:
Pregunta → datos → preparación → análisis → modelo → validación → interpretación
El algoritmo ocupa solamente una parte del proceso.
Antes debemos preguntarnos:
¿Qué queremos estudiar?
¿Qué datos tenemos disponibles?
¿Cómo fueron obtenidos?
¿Qué representa cada variable?
¿Qué información falta?
¿Son fiables las mediciones?
¿Representan adecuadamente a la población que queremos estudiar?
Estas preguntas son especialmente importantes en salud porque los datos son heterogéneos, longitudinales y proceden de contextos muy diferentes.
1. Datos clínicos: convertir características de una persona en variables
Empecemos por uno de los tipos de datos más fáciles de imaginar.
Supongamos que disponemos de información sobre miles de personas y para cada una conocemos:
- edad;
- sexo;
- presión arterial;
- colesterol;
- glucosa;
- índice de masa corporal;
- tabaquismo;
- diabetes;
- medicación;
- antecedentes familiares;
- enfermedades previas.
Desde la perspectiva de la ciencia de datos podemos organizar gran parte de esta información en una tabla.
Cada fila podría representar a una persona.
Cada columna, una característica.
| Persona | Edad | Presión sistólica | Colesterol | Fumador | Diabetes |
|---|---|---|---|---|---|
| A | 48 | 118 | 182 | No | No |
| B | 67 | 151 | 224 | Sí | Sí |
| C | 55 | 132 | 197 | No | No |
Este tipo de estructura se conoce habitualmente como datos tabulares.
Y constituye la materia prima de una enorme cantidad de análisis estadísticos y modelos de machine learning.
Podemos investigar, por ejemplo, qué variables están asociadas con determinados resultados o intentar estimar el riesgo de que ocurra un evento cardiovascular.
Desde la ciencia de datos
Tipo de dato: tabular.
Ejemplos: edad, presión arterial, colesterol, glucosa, diagnósticos.
Métodos habituales: estadística, regresión, clasificación, análisis de supervivencia y machine learning.
Desafíos: datos ausentes, variables correlacionadas, errores de medición, selección de variables, sesgos y diferencias entre poblaciones.
Los datos clínicos serán especialmente importantes cuando en el próximo artículo de esta serie estudiemos cómo se construyen los modelos de predicción del riesgo cardiovascular.
2. Electrocardiogramas: el corazón como serie temporal
Un electrocardiograma —ECG— registra la actividad eléctrica del corazón.
Desde una perspectiva clínica permite estudiar el ritmo y diferentes características de esa actividad eléctrica.
Pero observemos ahora un ECG como científicos de datos.
Lo que encontramos es esencialmente una sucesión de valores registrados a lo largo del tiempo.
Es decir:
una serie temporal o señal.
Podemos representarla conceptualmente así:
tiempo → amplitud
y obtener miles de mediciones en pocos segundos.
Además, un ECG convencional de 12 derivaciones registra simultáneamente diferentes perspectivas de la actividad eléctrica cardíaca.
Esto transforma el problema.
Ya no tenemos únicamente una tabla en la que cada persona ocupa una fila.
Tenemos señales complejas y multidimensionales.
¿Qué podemos hacer con ellas?
El procesamiento digital de señales permite estudiar determinadas características del ECG.
Podemos detectar componentes, medir intervalos, analizar ritmos o estudiar variabilidad.
Machine learning permite utilizar características extraídas de estas señales para construir modelos.
Y deep learning permite abordar otra estrategia: proporcionar al algoritmo grandes cantidades de ECG para que aprenda automáticamente determinadas representaciones relevantes.
Esto explica por qué la electrocardiografía se ha convertido en uno de los grandes campos de experimentación de la inteligencia artificial cardiovascular.
Desde la ciencia de datos
Tipo de dato: señal / serie temporal.
Ejemplo: ECG.
Métodos: procesamiento de señales, análisis de series temporales, extracción de características, redes neuronales convolucionales, modelos secuenciales y deep learning.
Desafíos: ruido, frecuencia de muestreo, artefactos, longitud de las señales, etiquetado y generalización entre dispositivos y poblaciones.
Existen además repositorios que permiten investigar estos problemas. PhysioNet, por ejemplo, mantiene numerosas bases de datos de señales fisiológicas y ECG, entre ellas recursos históricos como MIT-BIH Arrhythmia Database y otros datasets cardiovasculares.
Esto hace posible aprender ciencia de datos trabajando directamente con señales reales.
3. Imágenes cardiovasculares: el corazón convertido en píxeles y volúmenes
Otra enorme fuente de información son las imágenes.
La cardiología utiliza diferentes modalidades:
- ecocardiografía;
- tomografía computarizada cardíaca;
- resonancia magnética cardiovascular;
- angiografía;
- imagen nuclear;
- ultrasonido vascular.
Cada modalidad produce información diferente sobre la estructura o funcionamiento del sistema cardiovascular.
Para un científico de datos representan además grandes estructuras numéricas.
Una imagen digital está formada por píxeles.
Una imagen tridimensional puede estar formada por vóxeles.
Un estudio puede contener secuencias completas de imágenes.
Una ecocardiografía puede incluso analizarse como vídeo.
Por tanto, pasamos de:
tabla → señal → imagen → vídeo → volumen tridimensional.
Cada salto aumenta considerablemente la cantidad y complejidad de los datos.
¿Qué puede analizar un algoritmo?
Entre las tareas investigadas encontramos:
clasificación, para asignar imágenes a determinadas categorías;
segmentación, para identificar estructuras dentro de una imagen;
detección, para localizar determinadas características;
medición automática, para cuantificar estructuras o funciones;
predicción, utilizando información extraída de las imágenes.
El desarrollo del deep learning ha acelerado enormemente esta área porque las redes neuronales pueden aprender representaciones directamente a partir de grandes colecciones de imágenes.
Desde la ciencia de datos
Tipo de dato: imágenes, vídeos y volúmenes.
Métodos: procesamiento de imagen, visión artificial y deep learning.
Desafíos: tamaño de los archivos, anotación experta, variabilidad entre equipos, calidad de imagen, estandarización y validación externa.
Grandes recursos de investigación muestran hasta dónde puede llegar este enfoque. UK Biobank ha desarrollado uno de los mayores proyectos de imagen biomédica del mundo e incluye, entre otras modalidades, resonancia magnética cardíaca y ecografía carotídea.
4. Historias clínicas electrónicas: la vida sanitaria convertida en datos longitudinales
Una historia clínica electrónica contiene información acumulada durante meses o años.
Puede incluir:
- diagnósticos;
- hospitalizaciones;
- resultados analíticos;
- medicamentos;
- procedimientos;
- pruebas;
- constantes;
- antecedentes;
- notas escritas por profesionales sanitarios.
Desde la perspectiva de la ciencia de datos esto crea un problema especialmente interesante porque no existe un único tipo de dato.
Parte de la información es tabular.
Otra parte es temporal.
Otra está escrita en lenguaje natural.
Además, los acontecimientos suceden en momentos diferentes.
Una persona puede realizarse una analítica hoy, recibir un diagnóstico meses después y ser hospitalizada varios años más tarde.
Tenemos, por tanto:
datos estructurados + texto + tiempo.
¿Qué podemos investigar?
Las historias clínicas permiten estudiar grandes poblaciones y reconstruir determinadas trayectorias de salud.
También pueden utilizarse para desarrollar modelos de riesgo, investigar asociaciones o analizar utilización de servicios sanitarios.
Una revisión publicada en Journal of the American Heart Association en 2025 destaca precisamente el potencial de combinar historias clínicas electrónicas e inteligencia artificial para la predicción cardiovascular, pero señala también problemas relacionados con calidad de datos, estandarización entre sistemas sanitarios y variabilidad geográfica.
Desde la ciencia de datos
Tipo de dato: tabular + longitudinal + texto.
Métodos: estadística, machine learning, análisis temporal, procesamiento del lenguaje natural y modelos longitudinales.
Desafíos: datos ausentes, codificación heterogénea, cambios en el tiempo, interoperabilidad, sesgos y calidad de los registros.
5. Wearables: millones de datos fuera del hospital
Durante gran parte de la historia de la medicina, las mediciones se realizaban en momentos concretos.
Una consulta.
Una prueba.
Una hospitalización.
Los dispositivos portátiles introducen un paradigma diferente.
Relojes inteligentes, pulseras, parches y otros sensores pueden recoger información durante largos periodos mientras las personas desarrollan su vida cotidiana.
Dependiendo del dispositivo podemos encontrar datos relacionados con:
- frecuencia cardíaca;
- actividad física;
- sueño;
- movimiento;
- ritmo cardíaco;
- determinadas señales fisiológicas.
Desde la perspectiva de la ciencia de datos esto significa pasar de unas pocas observaciones a series temporales potencialmente enormes.
Una medición cada segundo representa:
86.400 observaciones diarias.
Durante un año serían más de 31 millones de mediciones para una sola variable y una sola persona.
Multipliquemos eso por miles de participantes.
El desafío cambia completamente.
Ya no consiste únicamente en conseguir datos.
Consiste en encontrar información relevante dentro de una enorme corriente de mediciones.
Desde la ciencia de datos
Tipo de dato: series temporales continuas.
Métodos: análisis temporal, detección de anomalías, procesamiento de señales, machine learning y análisis de eventos.
Desafíos: ruido, batería, pérdida de datos, diferencias entre dispositivos, falsas alarmas, enormes volúmenes de información y contexto de las mediciones.
Aquí aparece una idea fundamental:
Más datos no significan necesariamente mejor información.
6. Biomarcadores: convertir una muestra biológica en variables
La sangre y otras muestras biológicas proporcionan otro enorme conjunto de información.
En investigación cardiovascular pueden analizarse numerosos biomarcadores relacionados con diferentes procesos biológicos.
Desde una perspectiva de ciencia de datos volvemos a obtener variables numéricas que pueden incorporarse a análisis estadísticos y modelos predictivos.
Pero cuando pasamos de unas pocas mediciones a centenares o miles de biomarcadores aparece un nuevo problema:
la dimensionalidad.
Podemos llegar a tener más variables que observaciones o conjuntos de variables fuertemente relacionadas.
Esto obliga a trabajar con técnicas de selección y reducción de dimensionalidad, regularización y validación especialmente cuidadosa.
Desde la ciencia de datos
Tipo de dato: fundamentalmente numérico y tabular.
Métodos: estadística multivariante, selección de variables, reducción de dimensionalidad y machine learning.
Desafíos: alta dimensionalidad, múltiples comparaciones, reproducibilidad y sobreajuste.
7. Genómica: millones de variantes para comprender el riesgo cardiovascular
Nuestro ADN introduce una escala de datos todavía mayor.
Los estudios genéticos pueden analizar enormes cantidades de variantes distribuidas por todo el genoma.
Por ejemplo, UK Biobank dispone de información genética a gran escala para aproximadamente medio millón de participantes, incluyendo genotipado y secuenciación del exoma y del genoma completo.
Aquí aparece uno de los problemas clásicos de la ciencia de datos contemporánea:
muchísimas variables y un número comparativamente menor de personas.
La investigación cardiovascular puede estudiar asociaciones entre determinadas variantes genéticas y características o enfermedades.
También pueden construirse puntuaciones de riesgo poligénico que combinan información procedente de numerosas variantes.
Pero interpretar correctamente estos resultados exige prestar especial atención a población, ascendencia genética, validación y generalización.
Desde la ciencia de datos
Tipo de dato: alta dimensionalidad.
Métodos: bioestadística, GWAS, reducción de dimensionalidad, machine learning y análisis bioinformático.
Desafíos: millones de variables, múltiples comparaciones, estructura poblacional, interpretación biológica y generalización.
8. Proteómica, metabolómica y otros datos ómicos
La genómica no es la única fuente molecular.
Podemos estudiar también proteínas, metabolitos y otras características biológicas.
Surgen así disciplinas como:
proteómica → estudio a gran escala de proteínas;
metabolómica → estudio de metabolitos;
transcriptómica → estudio de la expresión del ARN.
Cada una genera conjuntos de datos de elevada dimensionalidad.
Su combinación permite investigar relaciones que serían muy difíciles de observar estudiando cada fuente de forma aislada.
Por ejemplo:
genética + proteínas + metabolitos + características clínicas + enfermedad cardiovascular.
Esto nos acerca a uno de los grandes objetivos de la medicina de precisión: comprender mejor por qué personas aparentemente similares pueden desarrollar trayectorias de enfermedad diferentes.
9. Datos poblacionales: estudiar el corazón de una sociedad
Hasta ahora hemos hablado principalmente de información individual.
Pero también podemos alejarnos y observar poblaciones enteras.
Los estudios epidemiológicos pueden incorporar:
- edad;
- sexo;
- hábitos;
- actividad física;
- alimentación;
- tabaquismo;
- nivel socioeconómico;
- enfermedades;
- hospitalizaciones;
- mortalidad;
- características ambientales.
Podemos investigar entonces preguntas diferentes.
¿Cómo cambia el riesgo cardiovascular con la edad?
¿Qué relación existe entre determinados factores y la incidencia de enfermedad?
¿Existen diferencias entre territorios?
¿Cómo evoluciona una población a lo largo del tiempo?
¿Qué factores están asociados con mejores o peores resultados?
Aquí la ciencia de datos se encuentra con la epidemiología y la salud pública.
Desde la ciencia de datos
Tipo de dato: tabular, longitudinal, geográfico y temporal.
Métodos: estadística, epidemiología, análisis espacial, series temporales y modelos longitudinales.
Desafíos: confusión, causalidad, sesgos de selección, cambios poblacionales y calidad de las fuentes.
10. Datos ambientales: el corazón no existe aislado de su entorno
Existe otra capa que frecuentemente olvidamos.
El entorno.
Contaminación atmosférica.
Ruido.
Temperatura.
Características urbanas.
Acceso a zonas verdes.
Condiciones socioeconómicas.
Localización.
Al incorporar datos ambientales podemos estudiar la salud cardiovascular desde una perspectiva más amplia.
Esto obliga a integrar datasets que originalmente fueron creados para finalidades completamente diferentes.
Por ejemplo:
historia clínica + código geográfico + contaminación + meteorología + características socioeconómicas.
Aparecen entonces técnicas de análisis espacial y sistemas de información geográfica junto con los métodos estadísticos tradicionales.
UK Biobank, por ejemplo, incluye entre sus grandes categorías información ambiental derivada, además de datos clínicos, genéticos, de imagen, biomarcadores, cuestionarios y mediciones físicas.
De los datos aislados a los datos multimodales
Aquí aparece probablemente una de las transformaciones más interesantes.
Durante mucho tiempo podemos imaginar los problemas de forma separada:
ECG → modelo
imagen → modelo
datos clínicos → modelo
genética → modelo
Pero una persona no es un electrocardiograma.
Ni una resonancia.
Ni una analítica.
Ni un genoma.
Es todo eso simultáneamente.
Por ello está creciendo el interés por los denominados datos multimodales.
Un sistema multimodal puede intentar combinar:
datos clínicos + ECG + imagen + genética + biomarcadores + historia clínica + wearables.
La literatura científica reciente identifica precisamente la integración multimodal como una de las grandes direcciones de desarrollo de la inteligencia artificial cardiovascular.
Una revisión de 2025 sobre predicción de enfermedad coronaria analizó 39 estudios publicados entre 2009 y 2025 y encontró diferentes estrategias para combinar imagen, información clínica, historias electrónicas, genética y otras fuentes.
El potencial es evidente.
Pero la dificultad también.
Cada modalidad tiene escalas diferentes.
Frecuencias diferentes.
Datos ausentes diferentes.
Errores diferentes.
Estructuras diferentes.
Y no todas las personas disponen de todas las mediciones.
El paciente como conjunto de datos multimodal
Podemos imaginarlo conceptualmente:
PERSONA
↓
Datos clínicos
edad · presión arterial · colesterol · antecedentes
Señales
ECG · frecuencia cardíaca
Imágenes
ecocardiografía · TAC · resonancia
Historia clínica
diagnósticos · tratamientos · evolución
Wearables
actividad · frecuencia cardíaca · sueño
Biomarcadores
analíticas · proteínas · metabolitos
Genética
variantes · puntuaciones de riesgo
Entorno y estilo de vida
actividad · hábitos · contaminación
↓
INTEGRACIÓN DE DATOS
↓
ANÁLISIS Y MODELOS
↓
CONOCIMIENTO
Esta representación permite comprender hacia dónde se dirige buena parte de la ciencia de datos cardiovascular.
El objetivo ya no es simplemente analizar más datos.
Es integrar mejor información diferente.
UK Biobank: un ejemplo de la escala que está alcanzando la ciencia de datos biomédica
Para comprender la dimensión del fenómeno resulta útil observar UK Biobank.
Esta gran infraestructura de investigación reúne información de aproximadamente 500.000 participantes.
Entre sus categorías de datos encontramos:
- imágenes;
- biomarcadores;
- genética;
- registros sanitarios;
- cuestionarios;
- mediciones físicas;
- información demográfica y de estilo de vida;
- datos ambientales.
Además, dispone de secuenciación genómica a gran escala e imágenes de decenas de miles de participantes.
Esto permite formular preguntas que hace unas décadas habrían resultado extraordinariamente difíciles de estudiar.
Por ejemplo:
¿Qué relación existe entre genética, estilo de vida y estructura del corazón?
¿Podemos combinar imágenes y biomarcadores para mejorar la predicción?
¿Existen patrones cardiovasculares asociados a determinadas variantes genéticas?
¿Cómo cambia el organismo a lo largo del tiempo?
El verdadero valor aparece precisamente cuando diferentes tipos de datos pueden relacionarse.
PhysioNet: aprender ciencia de datos con señales fisiológicas reales
Existe otro recurso especialmente interesante para CienciaDeDatos.pro.
PhysioNet proporciona acceso a numerosos datasets y recursos relacionados con señales fisiológicas y datos clínicos.
Entre ellos encontramos electrocardiogramas, presión arterial y otras señales cardiovasculares.
Para nosotros tiene un interés adicional:
puede permitir pasar de explicar ciencia de datos a practicar ciencia de datos.
En futuros artículos del Laboratorio podremos trabajar con datasets públicos para aprender:
- cómo importar una señal ECG;
- cómo visualizarla;
- cómo detectar ruido;
- cómo identificar determinadas características;
- cómo preparar datos;
- cómo construir modelos;
- cómo evaluar resultados.
El objetivo será comprender el proceso completo.
No simplemente ejecutar un algoritmo.
La calidad de los datos importa tanto como su cantidad
Existe una tentación habitual:
pensar que disponer de millones de datos resolverá automáticamente un problema.
No funciona así.
Un dataset enorme puede seguir teniendo problemas.
Puede contener errores.
Puede tener información ausente.
Puede representar mal determinadas poblaciones.
Puede haber sido obtenido con equipos diferentes.
Puede cambiar con el tiempo.
Las etiquetas pueden ser incorrectas.
Puede existir sesgo de selección.
Incluso puede contener información que permita al algoritmo descubrir inadvertidamente la respuesta que pretendemos predecir.
Este último problema se conoce como data leakage o fuga de información y puede generar modelos que parecen extraordinariamente buenos durante el desarrollo pero fracasan en condiciones reales.
Por eso una máxima fundamental de esta serie será:
Antes de preguntar qué algoritmo debemos utilizar, debemos comprender cómo se generaron los datos.
Datos no significa conocimiento
También debemos distinguir varios niveles:
Datos → información → conocimiento → decisión
Un ECG contiene datos.
Detectar un patrón transforma parte de esos datos en información.
Comprender qué significa ese patrón requiere conocimiento.
Decidir qué hacer con esa información constituye otra cuestión diferente.
La ciencia de datos puede contribuir enormemente en las primeras etapas.
Pero el paso desde una predicción hasta una decisión clínica exige contexto, evidencia, validación y juicio profesional.
Esta distinción resulta especialmente importante cuando hablamos de inteligencia artificial aplicada a la salud.
¿Qué podemos aprender de la cardiología como científicos de datos?
La enorme variedad de información cardiovascular convierte este ámbito en un excelente mapa de la propia disciplina.
| Datos cardiovasculares | Problema de ciencia de datos |
|---|---|
| Factores de riesgo | Datos tabulares |
| ECG | Series temporales y señales |
| Ecocardiografía | Vídeo e imagen |
| TAC / resonancia | Imagen y datos 3D |
| Historia clínica | Datos longitudinales + texto |
| Wearables | Series temporales masivas |
| Biomarcadores | Datos multivariantes |
| Genómica | Alta dimensionalidad |
| Datos poblacionales | Estadística y epidemiología |
| Datos ambientales | Datos espaciales |
| Combinación de fuentes | Ciencia de datos multimodal |
Esta tabla explica por qué hemos elegido la cardiología como uno de los ámbitos de investigación de CienciaDeDatos.pro.
Prácticamente todo el ecosistema de la ciencia de datos aparece representado.
El siguiente paso: aprender a predecir
Ahora sabemos cuál es la materia prima.
Datos clínicos.
Señales.
Imágenes.
Texto.
Sensores.
Genética.
Biomarcadores.
Datos poblacionales.
El siguiente problema consiste en aprender a utilizarlos.
Y una de las aplicaciones más importantes será precisamente la predicción del riesgo cardiovascular.
En el próximo artículo estudiaremos cómo un conjunto de variables puede convertirse en un modelo predictivo.
Veremos conceptos fundamentales de ciencia de datos como:
variable objetivo, características, entrenamiento, validación, regresión logística, clasificación, sensibilidad, especificidad, ROC-AUC, calibración y validación externa.
Y descubriremos algo especialmente importante:
un modelo con mejores métricas no es necesariamente un mejor modelo para utilizar en el mundo real.
Sobre esta serie
Este artículo forma parte del Observatorio de Ciencia de Datos y Salud Cardiovascular de CienciaDeDatos.pro.
Nuestro objetivo es analizar cómo la estadística, la ciencia de datos, el machine learning y la inteligencia artificial están contribuyendo al estudio de la salud cardiovascular.
Consulta nuestra página pilar:
Ciencia de datos aplicada a la cardiología →
También puedes leer:
Ciencia de datos y cardiología: cómo los datos están transformando la salud cardiovascular →
Referencias y recursos
UK Biobank. About our data / Types of data. UK Biobank reúne datos de aproximadamente 500.000 participantes, incluyendo imagen, biomarcadores, genética, registros sanitarios, cuestionarios, mediciones físicas, estilo de vida y datos ambientales.
https://www.ukbiobank.ac.uk/about-our-data
UK Biobank. Imaging data. Información sobre el programa de imagen, que incluye resonancia magnética cardíaca y otras modalidades.
https://www.ukbiobank.ac.uk/about-our-data/types-of-data/imaging-data
UK Biobank. Genetic data. Información sobre genotipado, secuenciación de exoma y genoma completo.
https://www.ukbiobank.ac.uk/about-our-data/types-of-data/genetic-data
PhysioNet. PhysioNet Resources. Repositorio de señales fisiológicas y datos clínicos utilizado internacionalmente para investigación y educación.
https://physionet.org/about/content
Tsai ML, Chen KF, Chen PC. (2025). Harnessing Electronic Health Records and Artificial Intelligence for Enhanced Cardiovascular Risk Prediction: A Comprehensive Review. Journal of the American Heart Association, 14(6):e036946.
DOI: 10.1161/JAHA.124.036946.
Yang X-y. (2025). Utilizing multimodal artificial intelligence to advance cardiovascular diseases. Precision Clinical Medicine, 8(3):pbaf016.
DOI: 10.1093/pcmedi/pbaf016.
Advancements and applications of artificial intelligence in cardiovascular imaging: a comprehensive review (2024). European Heart Journal – Imaging Methods and Practice, 2(4):qyae136.
DOI: 10.1093/ehjimp/qyae136.
A Narrative Review of Multimodal Data Fusion Strategies for Precision Risk Prediction in Coronary Artery Disease: Advances, Challenges, and Future Informatics Directions (2025). Revisión de 39 estudios sobre integración multimodal aplicada a predicción de enfermedad coronaria.
PMID: 41191804.
Nota editorial
Este artículo forma parte de la línea Ciencia de datos aplicada a la cardiología de CienciaDeDatos.pro.
Ha sido elaborado con apoyo de herramientas de inteligencia artificial bajo supervisión editorial humana y mediante consulta de literatura científica y recursos de investigación.
Su finalidad es educativa y divulgativa. No proporciona diagnóstico, tratamiento ni recomendaciones médicas y no sustituye la valoración de profesionales sanitarios cualificados.
Última revisión bibliográfica: septiembre de 2026.