El renacimiento tecnológico en la cardiología preventiva: inteligencia artificial, tomografía coronaria cuantitativa
Introducción
La medicina cardiovascular está experimentando un cambio de paradigma sustancial, pasando de un modelo predominantemente reactivo y guiado por los síntomas hacia un marco preventivo basado en la detección temprana y la evaluación de riesgos individualizada. En el centro de esta transición se encuentra la integración de la inteligencia artificial (IA) con la coronaria tomografía computarizada angiografía (CCTA), en particular mediante el desarrollo de ateroesclerosis tomografía computarizada cuantitativa basada en imágenes (AI-QCT). Este enfoque aborda una limitación de larga data en la cardiología: la incapacidad de las herramientas de diagnóstico tradicionales para detectar de manera confiable la enfermedad coronaria no obstructiva y rica en lípidos placa, a pesar de eso lesiones ser responsable de la mayoría de síndromes coronarios agudos y muerte súbita cardíaca eventos.
La relevancia clínica de esta limitación es sustancial. Los estudios epidemiológicos y patológicos demuestran consistentemente que la mayoría infartos de miocardio surgen de placas que no limitaban el flujo antes de la ruptura (2). Como enfermedad cardiovascular sigue siendo la principal causa de mortalidad en todo el mundo, y se proyecta que las muertes anuales superarán los 20 millones para 2030, por lo que cada vez son más necesarios métodos mejorados para identificar la aterosclerosis coronaria de alto riesgo antes de que ocurran eventos clínicos (3).
Evolución de la estratificación del riesgo cardíaco y la biología de la aterosclerosis
La estratificación tradicional del riesgo cardiovascular se basa en marcadores indirectos como los niveles de lípidos séricos, presión arterial, control glucémico, fumar estado y variables demográficas incorporadas en la población calculadoras de riesgo. Si bien estos modelos han demostrado ser útiles a nivel poblacional, a menudo carecen de precisión cuando se aplican a pacientes individuales, en particular a aquellos con resultados aparentemente “normales” factor de riesgo perfiles que, sin embargo, albergan una enfermedad subclínica significativa (4).
La aterosclerosis es una enfermedad inflamatoria crónica de la pared arterial en lugar de un trastorno definido únicamente por la obstrucción luminal. La placa se desarrolla dentro de la íntima y consiste en proporciones variables de lípidos, tejido fibroso, células inflamatorias y calcio. Las pruebas diagnósticas convencionales, que incluyen la prueba de esfuerzo, el electrocardiograma y la angiografía coronaria invasiva, detectan principalmente la enfermedad una vez que esta produce estenosis hemodinámicamente significativa, que por lo general se define como un estrechamiento luminal de 70% o más (5).
Perspicacia 1: Los estudios de autopsia y angiográficos demuestran que aproximadamente entre el 70 y el 75% de los infartos de miocardio se producen en vasos con menos del 50% estenosis previo al evento índice, lo que indica que la mayoría de los pacientes que experimentan síndromes coronarios agudos no habrían sido identificados como de alto riesgo únicamente mediante pruebas de esfuerzo estándar (2).
Perspicacia 2: Coronario arteria la puntuación de calcio (CACS) se desarrolló para mejorar la detección de la enfermedad subclínica mediante la identificación de placa calcificada. Sin embargo, CACS no detecta placa no calcificada, y un puntaje de calcio El hecho de que el valor sea cero no descarta la presencia de lesiones ricas en lípidos y propensas a romperse (6).
Perspicacia 3: AI-QCT permite la cuantificación no invasiva del total coronario carga de placa, incluido placa no calcificada de baja densidad, lo cual ha demostrado tener una mayor asociación con eventos cardiovasculares futuros que la gravedad de la estenosis por sí sola (7).
| Característica de la placa | Visibilidad (CACS) | Visibilidad (CCTA estándar) | Visibilidad (AI-QCT) | Perfil de riesgo clínico |
| Placa calcificada | Alto | Alto | Alto | Por lo general, estable; marcador de enfermedad crónica |
| Placa no calcificada | Ninguno | Cualitativo / limitado | Cuantitativo / alto | Mayor riesgo de ruptura |
| Placa de baja densidad | Ninguno | Variable | Alto | Fuerte asociación con ACS |
| Total volumen de placa | Ninguno | Estimación indirecta | Preciso (mm³) | Sólido predictor de acontecimientos futuros |
Arquitectura técnica del análisis coronario habilitado por IA
Las plataformas de QCT basada en IA realizan un análisis a nivel de vóxeles del árbol coronario en lugar de depender únicamente de la interpretación visual. Estos sistemas emplean arquitecturas de aprendizaje profundo —que incluyen redes neuronales convolucionales (CNN), modelos de segmentación U-Net tridimensionales y clasificadores derivados de VGG— entrenadas con conjuntos de datos grandes y seleccionados que vinculan las características de las imágenes con la validación invasiva y los resultados clínicos a largo plazo (8).
Perspicacia 4: La AI-QCT comienza con la adquisición de una CCTA de alta resolución. Los sistemas actuales de TC multidetector, incluidos los escáneres de 64 y 640 cortes, proporcionan la resolución temporal y resolución espacial es necesario para minimizar los artefactos de movimiento y permitir una segmentación precisa de la anatomía coronaria (5).
Perspicacia 5: Los algoritmos automatizados identifican la enfermedad coronaria lumen y la pared vascular, y clasificar los componentes de la placa según los valores de atenuación en unidades de Hounsfield, lo que permite diferenciar entre tejido rico en lípidos, fibroso y calcificado (9).
Perspicacia 6: Derivado de la IA isquemia Los índices integran la morfología de la placa, la longitud de la lesión, la remodelación vascular y la geometría luminal para estimar la limitación del flujo, lo que proporciona un correlato no invasivo de la intervención invasiva reserva de flujo fraccional (FFR) (10).
Validación clínica y evidencia respaldada por pares
AI-QCT ha sido evaluada en múltiples ensayos prospectivos, registros y estudios comparativos publicados en destacadas revistas cardiovasculares y de imágenes, incluidas Journal of the American College of Cardiology, Circulation: Cardiovascular Imaging, y European Heart Journal – Cardiovascular Imaging (11).
Estudios emblemáticos y registros
Revelación 7: El Ensayo CREDENCE se demostró una estrecha concordancia entre el análisis de la CCTA asistido por IA y el método invasivo angiografía coronaria cuantitativa y la FFR, lo que respalda la precisión diagnóstica de la AI-QCT para identificar enfermedades hemodinámicamente significativas (12).
Perspicacia 8: El Registro CONFIRM2, que abarcó a decenas de miles de pacientes en varios países, demostró que las características de la placa cuantificadas mediante inteligencia artificial permiten identificar un amplio gradiente de riesgo cardiovascular entre los pacientes con enfermedad no obstructiva enfermedad de las arterias coronarias (7).
Perspicacia 9: El Estudio CERTAIN demostró que la IA-QCT mejoró significativamente la certeza diagnóstica en comparación con la interpretación estándar, lo que se tradujo en un tratamiento médico más adecuado y en una reducción de las pruebas posteriores innecesarias (1).
| Estudio | N | Hallazgo clave | Valor p | Implicancia clínica |
| CONFIRMAR2 | 6,550 | El AUC para MACE mejoró de 0.62 a 0.75 | <0,001 | Mayor precisión pronóstica |
| CREDENCIAS | 513 | Alta concordancia con la FFR invasiva | <0.01 | Evaluación de isquemia no invasiva viable |
| PACIFIC-1 | 208 | La IA superó a los lectores expertos | <0.05 | Variabilidad interobservador reducida |
| PROMISE (subconjunto) | 4,347 | Reclasificación de las estenosis 41% | — | Falsos positivos reducidos |
Implementación de cardiología preventiva y seguimiento longitudinal de enfermedades
La integración de la IA-QCT en los flujos de trabajo de cardiología preventiva desplaza el enfoque clínico de la evaluación episódica hacia el monitoreo longitudinal de la enfermedad ateroesclerótica.
Perspicacia 10: La cuantificación de la carga total de placa permite una evaluación objetiva de la progresión o regresión de la enfermedad a lo largo del tiempo, lo que facilita un enfoque de tratar hasta alcanzar la meta guiado por imágenes seriadas (7).
Perspicacia 11: Las herramientas de comparación basadas en inteligencia artificial permiten evaluar los cambios en la composición de la placa, incluyendo la estabilización o la regresión de placa rica en lípidos en respuesta al tratamiento médico (13).
Avances en hardware: Tomografía computarizada de conteo de fotones
El rendimiento de la IA-QCT depende de la calidad de los datos de imagen de entrada, la cual continúa mejorando con los avances en el hardware de TC.
Perspicacia 12: Tomografía computarizada de conteo de fotones (PCCT) Estos sistemas convierten directamente los fotones de rayos X en señales eléctricas, lo que reduce el ruido electrónico y artefactos de floración de calcio en comparación con los detectores convencionales de integración de energía (14).
Perspicacia 13: La PCCT ofrece una mayor resolución espacial con una dosis más baja de radiación y contraste, lo que amplía los criterios de elegibilidad para la tomografía computarizada coronaria a pacientes con alto frecuencias cardíacas, elevado índice de masa corporal, o una enfermedad coronaria extensa calcificación (15).
Implicaciones económicas y para el sistema de salud
La adopción de imágenes cardíacas habilitadas por IA se alinea con las tendencias más amplias de la atención médica hacia la atención basada en el valor y la prevención.
Perspicacia 14: Los análisis de mercado proyectan un rápido crecimiento de las aplicaciones de IA en cardiología, impulsado por una mayor eficiencia diagnóstica y posibles reducciones en los costos posteriores asociados con eventos coronarios agudos (16).
Perspicacia 15: Detección temprana de los casos de alto riesgo fenotipos de placa podría reducir las tasas de infarto de miocardio y los gastos de salud asociados al permitir una intervención más temprana y específica (17).
Conclusiones y direcciones futuras
La cardiología preventiva está transitando cada vez más hacia un modelo con base biológica que enfatiza la carga y composición de la placa en lugar de la gravedad de la estenosis por sí sola. La ACI-QCT proporciona un marco cuantitativo y reproducible para evaluar la aterosclerosis coronaria antes de que ocurran eventos clínicos.
Perspicacia 16: Es probable que los futuros desarrollos incluyan la integración de sistemas de IA agéntica, modelos cardíacos digitales longitudinales y flujos de datos multimodales que incorporen información genómica y metabólica (18).
Perspicacia 17: A medida que la IA asume un papel más importante en la interpretación y cuantificación de imágenes, los médicos podrían centrarse cada vez más en la toma de decisiones clínicas de alto nivel, la comunicación de riesgos y la optimización de la terapia individualizada (19).
Referencias
- Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
- Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
- Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
- Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
- Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
- Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
- Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
- Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
- Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
- Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
- Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
- Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
- Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
- Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
- Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
- Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
- Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021



