📄 medicine

Resting electrocardiographic and pulse-wave deep learningidentifies exaggerated exercise blood pressure response in elite athletes

Este estudio demuestra que los modelos de aprendizaje profundo que combinan electrocardiogramas en reposo y ondas de pulso pueden identificar eficazmente una respuesta de la presión arterial al ejercicio exagerada en atletas de élite, ofreciendo una posible herramienta de detección no relacionada con el ejercicio para el riesgo cardiovascular.

Autores originales: Dominic Eckerle, Nils Gumpfer, Michael Guckert, Pascal Bauer, Jennifer Hannig

Publicado 2026-07-31

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dominic Eckerle, Nils Gumpfer, Michael Guckert, Pascal Bauer, Jennifer Hannig

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina tu cuerpo como un coche de carreras de alto rendimiento. Cuando solo estás sentado en el garaje (descansando), el motor se mantiene en ralentí silenciosamente. Pero cuando entras en la pista y pisas el acelerador a fondo (ejercicio), el motor ruge y la presión en las líneas de combustible aumenta bruscamente. La mayoría de los coches manejan este aumento sin problemas. Sin embargo, algunos coches tienen una peculiaridad donde la presión sube demasiado alto y rápido, simplemente por cómo están construidos el motor y las tuberías. En el cuerpo humano, esto se llama "respuesta de presión arterial exagerada". Es como una luz de advertencia que parpadea, sugiriendo que el coche podría ser propenso a problemas más adelante, incluso si parece estar bien ahora mismo.

Los médicos han sabido durante mucho tiempo que comprobar este aumento de presión durante un entrenamiento es una excelente manera de detectar futuros problemas cardíacos. Pero obtener esos datos es como enviar el coche a un simulador de carreras profesional: requiere tiempo, equipo costoso y mucho esfuerzo. ¿Qué pasaría si pudieras saber si un coche es propenso a estos picos de presión con solo escuchar el ralentí del motor o sentir la vibración del chasis mientras está estacionado? Esa es la gran pregunta que los científicos se están haciendo: ¿Podemos predecir cómo reacciona un cuerpo ante un entrenamiento intenso solo mirando sus "señales de reposo"? Este es el territorio del aprendizaje profundo (deep learning), donde las computadoras actúan como detectives superinteligentes, escaneando diminutos patrones en los latidos del corazón y las ondas de pulso que los ojos humanos podrían pasar por alto, con la esperanza de encontrar un atajo para mantener seguros a los atletas.

La historia del artículo: ¿Puede una computadora adivinar un pico de presión durante un entrenamiento a partir de una siesta?

En este estudio, un equipo de investigadores jugó a ser detective con un grupo de atletas de élite, principalmente jugadores profesionales de balonmano, baloncesto y fútbol. Querían ver si una computadora podía observar dos señales simples en reposo y adivinar si un atleta tendría un aumento peligroso de la presión arterial durante un entrenamiento.

Las dos señales eran:

El ECG (Electrocardiograma): Piensa en esto como el mapa de la chispa eléctrica de las bujías del corazón. Muestra cómo el sistema eléctrico del corazón se dispara para hacer que el músculo se contraiga.
La RPW (Onda de Pulso Radial): Esta es la onda física de "pum-pum" de la sangre viajando a través de las arterias en la muñeca. Es como sentir la ondulación en una manguera cuando el agua fluye a través de ella.

Los atletas tuvieron que hacer la parte difícil primero: una extenuante prueba en bicicleta donde su presión arterial se midió en cada escalón de la subida. Los investigadores usaron estos datos para etiquetar a los atletas. Si la presión arterial de un atleta subía demasiado bruscamente para la cantidad de esfuerzo que realizaba (específicamente, una pendiente mayor a 6.2 mmHg por MET), se le etiquetaba como alguien con una "respuesta exagerada". Alrededor del 27% de los 334 chequeos del estudio entraron en esta categoría de "alto riesgo".

Luego vino la parte divertida: alimentaron los datos de ECG y de la onda de pulso en reposo a un "cerebro de aprendizaje profundo" (deep learning), un tipo de programa informático llamado Red Neuronal Convolucional (CNN). Imagina esta IA como un estudiante que nunca ha visto los resultados de la prueba de la bicicleta. Solo se le mostraron los latidos en reposo y los pulsos en la muñeca, y se le preguntó: "Basándote en esto, ¿se volverá loca la presión arterial de esta persona cuando haga ejercicio?".

¿Qué encontró la computadora?

Los resultados fueron una mezcla de "bastante buenos" y "no es suficiente todavía".

El latido ganó: La computadora fue mucho mejor adivinando la respuesta usando solo el ECG (el mapa de la chispa eléctrica). Acertó aproximadamente el 77% de las veces en el grupo de prueba. La IA pareció centrarse en partes específicas del latido, particularmente en los grandes picos "QRS" (la principal explosión eléctrica que hace que el corazón lata), lo que sugiere que la forma de la señal eléctrica del corazón contiene pistas sobre cómo maneja el estrés.
La onda de pulso era un "tal vez": La computadora intentó usar solo la onda de pulso radial (RPW), pero fue menos segura, acertando aproximadamente el 66% de las veces. Pareció prestar atención al puro inicio de la onda de pulso, el momento en que la sangre sale disparada por primera vez.
El poder de los dos: Cuando los investigadores combinaron ambas señales —dejando que la computadora mirara el mapa eléctrico y la onda de pulso física juntos—, la precisión aumentó ligeramente, alcanzando aproximadamente un 79%. Es como tener dos detectives en lugar de uno; no resolvieron el caso por completo juntos, pero sí capturaron algunas pistas más de las que cada uno podría haber capturado por su cuenta.

La trampa: Es una pista, no un cristal mágico

Aquí está la parte más importante de la historia: los autores son muy cuidadosos de no decir que han encontrado una cura mágica. Sugieren que este método podría ser una herramienta de detección útil, como un detector de humo que suena antes de que comience un incendio. Si la computadora marca a un atleta como "riesgoso" mientras está simplemente descansando, los médicos podrían decidir someterlo a una prueba de bicicleta más exhaustiva y costosa para estar seguros.

Sin embargo, el artículo descarta explícitamente la idea de que esta prueba en reposo pueda reemplazar la verdadera prueba de ejercicio. La computadora aún no es perfecta; pierde algunos casos y los intervalos de confianza (el rango de qué tan seguros estamos) son bastante amplios. Los investigadores admiten que, debido a que solo observaron a atletas profesionales jóvenes y mayoritariamente masculinos, no sabemos si este truco funciona para personas mayores, mujeres o personas que van al gimnasio de forma regular.

La conclusión

Este estudio sugiere que los latidos del corazón y las ondas de pulso en reposo de los atletas de élite contienen "códigos secretos" ocultos que insinúan cómo reaccionará su presión arterial al ejercicio. La computadora aprendió a leer estos códigos, especialmente del latido eléctrico, con un nivel de éxito decente. Pero en este momento, esto es solo una prometedora "prueba de concepto". Es una nueva herramienta genial en la caja de herramientas, pero hasta que se pruebe en grupos más diversos y se demuestre que predice futuros problemas cardíacos, no está lista para reemplazar el trabajo duro de una verdadera prueba de ejercicio. La IA es un ayudante útil, pero el médico todavía necesita ver al atleta correr la carrera para estar absolutamente seguro.

Resumen Técnico: El aprendizaje profundo de la electrocardiografía y la onda de pulso en reposo identifica la respuesta exagerada de la presión arterial al ejercicio en atletas de élite

Planteamiento del problema
Una respuesta exagerada de la presión arterial sistólica al ejercicio (eBPR, por sus siglas en inglés) es un factor de riesgo conocido para la hipertensión arterial futura y resultados cardiovasculares adversos. Sin embargo, la eBPR se define actualmente como un fenotipo derivado del ejercicio con definiciones heterogéneas, que a menudo dependen de umbrales indexados por la carga de trabajo, como una pendiente de presión arterial sistólica por equivalente metabólico (SBP/MET) superior a 6.2 mmHg/MET. La identificación de la eBPR requiere típicamente pruebas de ejercicio estandarizadas y con uso intensivo de recursos (p. ej., ergometría de ciclo), lo que limita su viabilidad para el cribado a gran escala o repetido, particularmente en poblaciones atléticas. Si bien las bioseñales cardiovasculares en reposo, como el electrocardiograma (ECG) de 12 derivaciones y la onda de pulso radial (RPW), contienen información sobre las propiedades vasculares y cardíacas, sigue siendo desconocido si los patrones latentes dentro de estas señales de series temporales en reposo pueden identificar individuos con eBPR sin la necesidad de realizar pruebas de ejercicio. Los estudios previos se han basado principalmente en parámetros derivados de señales predefinidas en lugar de analizar directamente los datos brutos de las series temporales.

Metodología
Este estudio retrospectivo utilizó una cohorte de 197 atletas profesionales predominantemente masculinos (de 18 a 39 años) que se sometieron a 334 exámenes de detección cardiovascular de pretemporada entre 2017 y 2023. El conjunto de datos incluyó ECG de 12 derivaciones en reposo, ondas de pulso radial (RPW) obtenidas mediante análisis oscilométrico y resultados de ergometría de ciclo estandarizados utilizados para definir la verdad de campo (ground truth).

Preprocesamiento de datos:
- ECG: Grabaciones de 5 segundos de 12 derivaciones (500 Hz) segmentadas en ventanas superpuestas de 4 segundos. Esto resultó en 1,670 ventanas de ECG (5 ventanas por registro).
- RPW: Las grabaciones oscilométricas se filtraron por calidad; se retuvieron las primeras cuatro grabaciones válidas por examen y se remuestrearon a una longitud uniforme de 1,000 puntos de datos mediante interpolación lineal.
- Etiquetas: Los exámenes se etiquetaron como "eBPR" si la pendiente SBP/MET superaba 6.2 mmHg/MET (92 casos, 27.5%) y como "no-eBPR" en caso contrario. Las etiquetas se asignaron a nivel de examen, no a nivel de participante.
Arquitectura del modelo:
- Se desarrollaron Redes Neuronales Convolucionales (CNN) unidimensionales separadas para cada modalidad.
- Modelo RPW: Forma de entrada (1000 × 1). Arquitectura que incluyó seis capas convolucionales (64 filtros cada una) con activación ELU y max-pooling, seguidas de un global average pooling y tres capas totalmente conectadas (128 unidades, 0.3 de dropout).
- Modelo ECG: Forma de entrada (2000 × 12). Arquitectura que incluyó siete capas convolucionales (64 filtros cada una) con activación ELU y max-pooling, seguidas de un global average pooling y tres capas totalmente conectadas (128 unidades, 0.5 de dropout).
- Los hiperparámetros se optimizaron mediante búsqueda de cuadrícula (grid search) en el conjunto de desarrollo, seleccionando los modelos basados en el AUC de validación y el Coeficiente de Correlación de Matthews (MCC).
Estrategia de entrenamiento y validación:
- Para evitar la fuga de información, la división de los datos se realizó a nivel de sujeto.
- El conjunto de datos se dividió en un conjunto de prueba independiente de exclusión (hold-out test set) del 20% de los sujetos y un conjunto de desarrollo del 80%.
- El conjunto de desarrollo se sometió a una validación cruzada de cinco pliegues estratificada por grupos, asegurando que todos los datos de un solo participante permanecieran dentro del mismo pliegue.
- Predicción de ensamble: Las predicciones de los cinco modelos de validación cruzada se agregaron mediante votación suave (promedio aritmético) a nivel de examen.
- Fusión tardía (Late Fusion): Se creó un modelo combinado RPW–ECG promediando las probabilidades del ensamble de los modelos específicos de cada modalidad en el nivel de decisión, en lugar de fusionar las características en el nivel de entrada.
Explicabilidad:
- Se aplicó IA explicable (XAI) post-hoc utilizando Propagación de Relevancia por Capas con la regla $\epsilon$ y la transformación SIGN (LRP- $\epsilon$ SIGN) para generar mapas de explicabilidad global que resaltan las regiones de la señal que contribuyen a las predicciones.

Resultados clave

Rendimiento de modalidad única:
- El modelo solo de ECG demostró el rendimiento más fuerte de una sola modalidad, logrando un AUC de prueba medio de 0.77 (IC 95% 0.62–0.90) con una sensibilidad de 0.72 y una especificidad de 0.73.
- El modelo solo de RPW logró un AUC de prueba medio inferior de 0.66 (IC 95% 0.50–0.80), con una sensibilidad de 0.56 y una especificidad de 0.58.
Rendimiento del modelo combinado:
- El modelo de fusión tardía RPW–ECG alcanzó el mayor rendimiento general con un AUC de prueba de 0.79 (IC 95% 0.65–0.90).
- Sin embargo, la mejora sobre el modelo solo de ECG fue marginal. Con el umbral de probabilidad por defecto de 0.5, el modelo combinado mostró una sensibilidad ligeramente menor (0.67) en comparación con el modelo solo de ECG (0.72), mientras que la especificidad se mantuvo similar (0.73).
Hallazgos de explicabilidad:
- RPW: Los puntajes de relevancia se concentraron en la fase sistólica temprana de la onda de pulso, específicamente alrededor del ascenso inicial de la presión.
- ECG: La relevancia se centró principalmente en los complejos QRS y los segmentos de señal adyacentes en múltiples derivaciones.

Significancia y afirmaciones
Los autores posicionan este estudio como una prueba de concepto que demuestra que las bioseñales cardiovasculares en reposo contienen información latente asociada con el fenotipo de eBPR en atletas de élite. El estudio afirma que:

Viabilidad: Los modelos de aprendizaje profundo entrenados con series temporales de ECG y RPW en reposo pueden identificar la eBPR con una precisión moderada, lo que sugiere que las señales en reposo codifican firmas fisiológicas relacionadas con la regulación de la presión arterial durante el ejercicio.
Superioridad de la modalidad: En esta cohorte específica, las señales de ECG proporcionaron el principal poder discriminativo, mientras que la RPW ofreció solo un valor incremental limitado cuando se combinó mediante fusión tardía.
Utilidad clínica (cautelosa): Los autores declaran explícitamente que estos modelos no pueden diagnosticar la eBPR en el sentido fisiológico estricto, ya que la eBPR es un fenómeno derivado del ejercicio. En su lugar, los modelos estiman la probabilidad de que un examen sea clasificado como eBPR durante una prueba de ejercicio estandarizada.
Aplicación futura: Si se valida externamente, un modelo como este podría servir como una herramienta de cribado para priorizar a los atletas para evaluaciones más detalladas de la presión arterial durante el ejercicio, monitoreo ambulatorio o seguimiento longitudinal, actuando potencialmente como un complemento, pero no como un reemplazo, de las pruebas de ejercicio estandarizadas.

Limitaciones reconocidas
El artículo señala varias restricciones: la cohorte es homogénea (predominantemente masculina, atletas profesionales), lo que limita la generalización a mujeres, individuos mayores o poblaciones recreativas; el tamaño del conjunto de datos es relativamente pequeño para el aprendizaje profundo; y la definición de eBPR depende de un umbral específico de SBP/MET que carece de consenso universal. Además, el enfoque de fusión tardía no capturó las interacciones a nivel de características entre las modalidades.

Más como este