Una persona acude a un laboratorio para averiguar por qué duerme mal. Durante esa noche también queda registrada información sobre su corazón. ¿Podría aprovecharse para anticipar qué pacientes necesitarán una evaluación cardiovascular más cuidadosa? Un estudio publicado el 9 de octubre de 2026 en Sleep explora esa posibilidad con inteligencia artificial (IA).
La respuesta exige distinguir dos cosas: encontrar patrones asociados al riesgo futuro y demostrar que usarlos mejora la salud. El trabajo aporta evidencia sobre la primera. Para el lector, esa diferencia evita confundir una línea de investigación con una prueba que ya deba solicitar o con un pronóstico personal.
La polisomnografía registra distintas funciones del organismo durante el sueño, como actividad cerebral, respiración, oxígeno en sangre y frecuencia cardíaca. Ayuda a estudiar trastornos del sueño. Su indicación y el lugar donde se realiza dependen de la evaluación clínica.
El electrocardiograma (ECG) representa la actividad eléctrica del corazón. En esta investigación se empleó una sola derivación: una perspectiva eléctrica, en lugar de las doce habituales de un ECG convencional. El sistema combinó esa señal con información sobre las fases del sueño.
Según la comunicación de los Institutos Nacionales de Salud de Estados Unidos (NIH), el modelo distinguió grupos con diferente riesgo de fibrilación auricular, insuficiencia cardíaca y muerte por cualquier causa. Para infarto y accidente cerebrovascular, los investigadores señalan que hace falta optimizarlo.
La oportunidad consiste en extraer más información de un registro obtenido por otro motivo. Si esa utilidad se confirma, un mismo examen podría ayudar a coordinar conversaciones entre medicina del sueño y cardiología. Eso no convierte todos los estudios nocturnos en evaluaciones cardiovasculares equivalentes: importan las señales disponibles, su calidad y el uso concreto que haya sido validado.
El artículo original de Zuzana Koscova y colaboradores describe un análisis retrospectivo. Para desarrollar y validar internamente el modelo se utilizaron 15.809 pacientes de Massachusetts General Hospital; después se evaluó en dos cohortes externas, de 9.810 y 12.576 pacientes.
El propósito fue estimar desenlaces a largo plazo, con un horizonte de hasta diez años. Los diagnósticos se obtuvieron de registros clínicos. La asociación persistió al ajustar por factores cardiovasculares y características del sueño. Los autores reconocen posibles errores de clasificación y no disponían de causas específicas de muerte.
Probar un sistema fuera del hospital donde se desarrolló somete su resultado a una exigencia mayor. Es distinto de comprobar que funciona con los datos que ya conoce. Aun así, pasar esa prueba no responde por sí solo cómo rendirá en otra población, con otros equipos o dentro de una consulta con recursos diferentes.
Para Chile y otros países latinoamericanos, la pregunta práctica sería qué evidencia respalda su uso en el entorno donde se ofrece. Una cifra obtenida en hospitales estadounidenses no puede convertirse, sin más, en la probabilidad de enfermar de una persona atendida aquí.
Imaginemos un ejemplo hipotético: un sistema ordena a cien pacientes de menor a mayor riesgo y los eventos se concentran entre los primeros que recomienda revisar. Eso puede ser informativo, pero todavía no dice cuántas alertas serán innecesarias, qué evaluación corresponde ni si actuar antes cambia los desenlaces.
La siguiente tabla propone una forma de leer anuncios de IA en salud. No resume resultados adicionales de este estudio: separa las preguntas que una herramienta tendría que resolver para orientar decisiones.
| Pregunta | Qué permitiría conocer | Qué falta preguntar |
|---|---|---|
| ¿Distingue personas con diferente riesgo? | Si la señal ayuda a ordenar prioridades. | ¿Cuántos casos deja pasar y cuántas alertas innecesarias genera? |
| ¿La probabilidad estimada coincide con lo observado? | Si el número se aproxima a la frecuencia real del evento. | ¿Se mantiene esa correspondencia en la población donde se usará? |
| ¿Se confirma una enfermedad? | Si una evaluación diagnóstica establece una condición clínica. | ¿Qué pruebas y revisión profesional hacen falta? |
| ¿Usarlo mejora la atención? | Si actuar con esa información beneficia a los pacientes. | ¿El beneficio compensa costos, estudios adicionales y efectos indeseados? |
Los investigadores indican que se requieren estudios prospectivos antes de la implementación clínica. Es decir, evaluar el enfoque hacia adelante, en lugar de apoyarse únicamente en lo que ya ocurrió en los registros. Una asociación estadística prometedora abre esa etapa; no la reemplaza.
La noticia puede servir para conversar sobre sueño y salud cardiovascular sin convertir cada mala noche en una alarma. La apnea del sueño implica interrupciones repetidas de la respiración. El Instituto Nacional del Corazón, los Pulmones y la Sangre de Estados Unidos recomienda hablar con un profesional ante señales como ronquidos con jadeos o somnolencia diurna excesiva. La apnea no tratada se relaciona con problemas de salud, entre ellos cardiovasculares.
La conversación útil parte de los síntomas y antecedentes propios. Si ya existe un estudio del sueño, conviene comprender qué encontró y cuál es el plan de seguimiento. Una noticia sobre un algoritmo no cambia por sí misma esa indicación ni justifica modificar un tratamiento.
También conviene distinguir el contexto de medición. Un reloj y un laboratorio pueden mostrar información sobre el corazón o el descanso, pero eso no los hace intercambiables. Antes de trasladar una afirmación de uno a otro hay que comprobar que se evaluaron el dispositivo, los datos y la finalidad correspondientes.
Para una institución que considere incorporar un análisis de este tipo, la pregunta inicial sería qué hará con el resultado. Una puntuación sin responsable de revisión ni circuito de atención puede añadir incertidumbre en lugar de resolverla.
Como criterio editorial de evaluación, proponemos pedir respuestas concretas: quién revisa la señal, cómo se comunica un resultado incierto, qué ocurre cuando el sistema no puede analizar el registro y qué evidencia respalda los umbrales usados. También debe estar claro cómo se resguardan los datos y quién tiene acceso a ellos.
La exigencia alcanza a las promesas comerciales. “Predice riesgo” es una descripción incompleta si no aclara qué desenlace estima, durante cuánto tiempo, en qué población y para qué decisión. El paciente necesita comprender qué significa el resultado y qué sucederá después, no solamente que intervino inteligencia artificial.
Esta separación entre capacidad técnica y beneficio real también aparece en nuestro análisis de IA para notas clínicas: evaluar una herramienta exige precisar qué mejora y qué sigue pendiente de demostrar.
No ofrece una certeza individual. La investigación analiza si sus señales ayudan a distinguir grupos de riesgo y todavía necesita validación prospectiva antes de incorporarse a la práctica clínica.
No puede trasladarse automáticamente a un reloj. El trabajo utilizó registros clínicos nocturnos y fases del sueño anotadas por especialistas; otro dispositivo requiere su propia validación.
El estudio no establece esa indicación. La necesidad de una prueba del sueño debe evaluarse con el equipo de salud según los síntomas y la situación clínica.
En qué población se validó, qué significa el resultado, quién lo revisará y qué evaluación posterior está prevista. Una puntuación aislada no explica cómo cambiaría la atención.
Nuestra interpretación es que parte del valor de la IA sanitaria podría surgir de volver a mirar datos que la atención ya produce. Esa posibilidad cambia la pregunta de innovación: además de qué nuevo examen comprar, importa qué información útil estamos dejando sin interpretar.
Pero un dato solo adquiere valor clínico cuando conduce a una decisión mejor sustentada. La oportunidad del ECG nocturno dependerá de construir ese vínculo: una señal comprensible, una revisión responsable y una acción cuyo beneficio pueda demostrarse. La sofisticación del modelo es el comienzo de esa cadena.