Un simple análisis de sangre podría estar a punto de ganar peso en la consulta como herramienta de prevención: varios grupos de investigación están explorando cómo combinar biomarcadores habituales con modelos de inteligencia artificial (IA) para estimar el riesgo cardiovascular a 10 años con más precisión —y, sobre todo, para detectar a tiempo a personas que hoy pasan “por debajo del radar”. La idea no es futurista: se apoya en datos ya disponibles en laboratorios y en métodos de predicción que, en algunos hospitales, empiezan a probarse como apoyo a la decisión clínica.
El interés llega en un momento oportuno. La enfermedad cardiovascular sigue siendo una de las principales causas de muerte en Europa, y en España convive con un problema añadido: una parte relevante de los infartos y los ictus aparece en personas que no se perciben como de alto riesgo. De ahí que la prevención esté girando hacia enfoques más finos, capaces de identificar riesgo residual incluso cuando el colesterol LDL, la tensión o el peso parecen “razonables”.
En la práctica, estos modelos se alimentan de parámetros analíticos comunes (perfil lipídico, glucosa, creatinina, marcadores inflamatorios cuando están disponibles) y de datos clínicos básicos (edad, sexo, tabaquismo, hipertensión, diabetes). La IA no sustituye al médico: busca encontrar patrones que escapan a las fórmulas tradicionales y generar una puntuación de riesgo que ayude a decidir si conviene intensificar cambios de estilo de vida, pedir pruebas adicionales o ajustar tratamientos.
“La promesa no es adivinar el futuro, sino reclasificar correctamente a personas que hoy se consideran de riesgo moderado y, sin embargo, acumulan señales biológicas preocupantes”, explica la cardióloga preventiva Marta Paredes, del ámbito hospitalario madrileño, en conversación con este medio. “Si la herramienta está bien validada, puede ayudarnos a llegar antes con medidas sencillas: dejar de fumar, mejorar el sueño, controlar la presión arterial y, cuando toca, tratar el LDL con objetivos más ambiciosos”.
El debate no se entiende sin mirar a las guías clínicas. La Sociedad Europea de Cardiología (ESC) actualiza periódicamente sus recomendaciones de prevención, y en los últimos años ha insistido en estratificar el riesgo y en individualizar objetivos, especialmente en pacientes con diabetes, enfermedad renal crónica o antecedentes familiares. En paralelo, documentos de consenso en España han reforzado la idea de que el riesgo cardiovascular es multifactorial y que la suma de factores “moderados” puede ser tan peligrosa como un único factor muy elevado.
¿Qué aporta entonces la IA? Principalmente, capacidad de integrar muchas variables y detectar combinaciones no lineales. Por ejemplo, dos personas con el mismo LDL pueden tener riesgos distintos si se consideran marcadores de inflamación, función renal o el impacto metabólico de una glucemia en el límite alto. Además, algunos modelos prometen actualizar el riesgo de manera dinámica: si una persona pierde peso, deja de fumar o mejora la presión arterial, el algoritmo puede reflejarlo sin esperar años.
Sin embargo, los expertos piden prudencia y transparencia. “Un modelo predictivo solo es útil si sabemos en qué población se entrenó, cómo se valida externamente y qué sesgos puede arrastrar”, señala el epidemiólogo y especialista en salud pública Javier Llorente. “En medicina, una herramienta ‘muy precisa’ en un entorno puede fallar en otro si cambia la edad media, el acceso a tratamientos o la prevalencia de diabetes. Y si no entendemos mínimamente qué variables empujan la predicción, cuesta confiar en ella para decisiones clínicas”.
Ahí aparece otro punto sensible: la equidad. Si el algoritmo se alimenta de datos históricos en los que determinados colectivos tuvieron menos acceso a pruebas o tratamientos, podría perpetuar desigualdades. Por eso, los proyectos más serios incorporan auditorías de sesgo, explicabilidad y validación en distintos centros. En Europa, además, el marco regulatorio de dispositivos médicos y las exigencias de protección de datos (RGPD) condicionan cómo se despliegan estas soluciones, especialmente cuando se integran en historias clínicas electrónicas.
Para el ciudadano, el mensaje clave es que ninguna puntuación sustituye los pilares de prevención que ya conocemos. La tensión arterial sigue siendo uno de los predictores más potentes; el tabaquismo multiplica el riesgo; el sedentarismo y el sueño insuficiente empeoran el perfil metabólico; y el exceso de LDL se asocia de forma causal con aterosclerosis, como respaldan décadas de evidencia. La diferencia es que, con mejores herramientas de predicción, la consulta puede afinar antes cuándo pasar de recomendaciones generales a planes intensivos y medibles.
En España, el despliegue real dependerá de tres condiciones: que los modelos se validen con datos locales, que se integren sin aumentar burocracia y que aporten beneficios clínicos demostrables (menos eventos cardiovasculares, menos ingresos, mejor adherencia). Mientras tanto, los especialistas ven una oportunidad para reforzar el enfoque preventivo: usar la tecnología no para medicalizar a la población sana, sino para identificar a tiempo a quienes están a un paso de un evento evitable.
El futuro inmediato parece claro: más analítica orientada a riesgo, más decisiones compartidas y más medicina preventiva basada en datos. La pregunta ya no es si la IA llegará a la cardiología preventiva, sino cómo lo hará: con rigor, supervisión clínica y una promesa realista de salud pública.
