Un análisis de sangre rutinario podría convertirse pronto en una “alerta temprana” mucho más precisa frente a infartos e ictus. Varios hospitales europeos están probando modelos de inteligencia artificial (IA) capaces de combinar datos clásicos (colesterol, glucosa, inflamación) con señales más recientes del metabolismo para estimar el riesgo cardiovascular con años de antelación. La idea seduce: anticiparse cuando aún hay margen para cambiar hábitos o ajustar tratamientos. Pero los expertos insisten en que, por ahora, la promesa debe leerse con cautela.
La novedad no está solo en medir más cosas, sino en interpretarlas juntas. Además de los marcadores habituales, algunos paneles incorporan fracciones avanzadas de lipoproteínas, apolipoproteínas, indicadores de resistencia a la insulina y perfiles metabólicos derivados de espectrometría (metabolómica). Con esa “foto” ampliada, la IA busca patrones invisibles para los cálculos tradicionales y genera una puntuación de riesgo personalizada que puede actualizarse a medida que cambian el peso, la presión arterial o los hábitos.
En España, varios servicios de cardiología y medicina interna siguen de cerca estos desarrollos, especialmente por el impacto potencial en prevención. La enfermedad cardiovascular continúa siendo una de las principales causas de muerte en nuestro país, y una parte significativa de los eventos ocurre en personas que no se perciben como de alto riesgo. “El reto es identificar a quien está en la zona gris: no tiene cifras alarmantes, pero su biología ya está yendo en una dirección peligrosa”, explica la cardióloga Marta Llorente (Hospital universitario de Madrid), que participa en un piloto centrado en pacientes con antecedentes familiares y síndrome metabólico.
Los modelos que están ganando atención se entrenan con cientos de miles de analíticas y datos clínicos longitudinales (edad, sexo, tensión arterial, tabaquismo, medicación, antecedentes). Luego se validan en cohortes independientes para comprobar si predicen mejor que las escalas clásicas el riesgo de infarto, ictus o ingreso por insuficiencia cardiaca. Algunos resultados preliminares apuntan a mejoras en discriminación del riesgo, especialmente en adultos de mediana edad y en mujeres, un grupo en el que las herramientas tradicionales a veces infravaloran el peligro.
La clave, según los investigadores, es que la IA no “adivina”: detecta combinaciones de señales pequeñas. Por ejemplo, un perfil de lipoproteínas aparentemente aceptable puede volverse preocupante si se acompaña de inflamación crónica de bajo grado y de ciertos patrones metabólicos asociados a hígado graso o a resistencia a la insulina. “No se trata de sustituir el criterio clínico, sino de ofrecer una capa adicional de información que ayude a decidir cuándo intensificar cambios de estilo de vida o iniciar fármacos preventivos”, señala el epidemiólogo Javier Mena, vinculado a un consorcio europeo de prevención cardiovascular.
Ahora bien, la llegada de estas herramientas plantea preguntas incómodas. La primera: ¿qué pasa cuando el algoritmo etiqueta como “alto riesgo” a alguien que, en la práctica, no tendrá un evento? Los falsos positivos pueden traducirse en ansiedad, pruebas innecesarias o tratamientos adelantados. La segunda: ¿qué ocurre si infravalora el riesgo en determinados perfiles? La calidad del modelo depende de los datos con los que se entrenó y de cómo se comporta en poblaciones distintas (por edad, origen, comorbilidades o nivel socioeconómico).
También está el debate sobre transparencia. Muchos sistemas son “cajas negras” difíciles de explicar en consulta. Para abordar esto, algunos proyectos incorporan técnicas de interpretabilidad que muestran qué variables han pesado más en la predicción (por ejemplo, triglicéridos, HbA1c, PCR ultrasensible o apolipoproteína B). Aun así, los clínicos recuerdan que una puntuación no es un diagnóstico. “El número debe abrir una conversación, no cerrarla”, apunta Llorente. “Si el resultado sale alto, lo siguiente es revisar hábitos, tensión, sueño, consumo de alcohol, estrés y, si procede, confirmar con otras pruebas”.
En paralelo, los reguladores europeos han endurecido el marco para software médico basado en IA. El objetivo es exigir evidencia clínica, control de sesgos y vigilancia una vez implantado. En la práctica, esto significa que no basta con que el algoritmo funcione “en laboratorio”: debe demostrar utilidad real, mejorar decisiones y no aumentar daños. Además, el uso de datos sanitarios exige garantías de privacidad y gobernanza, un punto especialmente sensible cuando entran en juego proveedores privados de análisis.
Para el ciudadano, la recomendación es evitar atajos. La proliferación de test directos al consumidor promete predicciones “de precisión” sin mediación médica. Los especialistas aconsejan que cualquier resultado se interprete en un contexto clínico y que no se tomen decisiones de medicación por cuenta propia. Lo que sí es sólido —y compatible con cualquier algoritmo— es el paquete de prevención conocido: no fumar, moverse a diario, priorizar dieta mediterránea, dormir bien, controlar tensión y peso, y revisar periódicamente glucosa y lípidos según edad y antecedentes.
Si los ensayos en marcha confirman beneficios, la IA aplicada a analíticas podría convertirse en una herramienta de salud pública: detectar antes a quienes necesitan apoyo intensivo y personalizar objetivos (por ejemplo, bajar apolipoproteína B más allá del LDL en determinados perfiles). Hasta entonces, el mensaje es doble: la tecnología avanza rápido, pero el corazón sigue respondiendo a lo básico. La prevención del futuro puede ser más inteligente; la de hoy, sigue siendo imprescindible.
