🎯 Título: Los modelos de IA para ECG pierden precisión en atletas reales
📌 En breve: Un modelo de inteligencia artificial para detectar enfermedad cardíaca estructural en el ECG funcionó mucho peor al aplicarse a una población real de atletas que en el hospital donde fue entrenado.
🔬 Puntos clave:
### El modelo
Se entrenó una red neuronal (CNN) con electrocardiogramas hospitalarios de Boston (EE. UU.) para detectar enfermedad valvular y miocardiopatías, y se validó externamente en el registro italiano ITACARD-AI con 1115 atletas competitivos (4,3% con enfermedad valvular, 2,7% con miocardiopatía).
### La caída de rendimiento
Al aplicarse a la población real de atletas, la capacidad del modelo para distinguir enfermos de sanos (AUROC) cayó a 0,70 para enfermedad valvular y 0,69 para miocardiopatías —una discriminación solo modesta, muy por debajo del rendimiento hospitalario original. El valor predictivo negativo fue alto (~99%), pero el valor predictivo positivo fue persistentemente bajo (≤8%), reflejando la baja prevalencia de estas enfermedades en el tamizaje deportivo.
### Qué significa
Los autores concluyen que estos modelos de IA entrenados en hospitales tienen una transportabilidad limitada a poblaciones reales de tamizaje deportivo, y que como mucho podrían usarse como apoyo cauteloso dentro de un flujo de trabajo liderado por el médico —nunca de forma autónoma.
🎯 Aplicación clínica para LATAM: Programas de evaluación cardiovascular preparticipativa en la región deben ser escépticos ante herramientas de IA para ECG que no hayan sido validadas específicamente en poblaciones de atletas, y nunca reemplazar el juicio médico por un resultado de IA.
⚠ Limitaciones: La validación externa se hizo en un solo registro (ITACARD-AI, Italia), y el bajo número de casos positivos (48 y 30) limita la precisión de las estimaciones de rendimiento del modelo.
Pre-participation screening (PPS) in competitive athletes aims to identify cardiovascular diseases associated with sudden cardiac death (SCD). Although the 12‑lead electrocardiogram (ECG) represents the cornerstone of PPS, structural abnormalities may demonstrate limited or incomplete electrical expression, particularly in asymptomatic athletes with physiological remodeling. Artificial intelligence (AI)-enabled ECG models have shown promising performance in hospital-based populations, but their transportability to low-prevalence athlete screening environments remains uncertain. To develop and externally validate a deep learning (DL)-based AI-ECG ensemble model for detecting imaging-confirmed structural heart disease in competitive athletes undergoing PPS. A convolutional neural network (CNN) ensemble was trained using hospital-derived ECG images from Beth Israel Deaconess Medical Center (BIDMC, Boston, USA) and externally validated in the Italian Team for Athlete CARDiac evaluation and AI-based Risk prediction (ITACARD-AI) registry. Separate CNNs were developed for valvular heart disease (VHD) and cardiomyopathies (CM) and combined using XGBoost meta-learning. Model performance was assessed using area under the receiver operating characteristic curve (AUROC), subgroup analyses, and threshold-based evaluation. The ITACARD-AI cohort included 1115 competitive athletes (mean age 26 ± 13 years; 70% male), including 48 athletes (4.3%) with VHD and 30 (2.7%) with CM. External validation demonstrated substantial performance degradation compared with hospital-based internal validation. AUROC values decreased to 0.70 (95% CI 0.64-0.75) for VHD and 0.69 (95% CI 0.60-0.78) for CM, indicating only modest discrimination in the screening population. Threshold analyses showed high negative predictive values (~99%) but persistently low positive predictive values (≤8%), reflecting limited disease enrichment and strong prevalence dependence. Hospital-trained AI-ECG models demonstrated limited transportability to real-world athlete screening populations. The marked reduction in external performance suggests that low disease prevalence, heterogeneous physiological remodeling, and incomplete ECG expression of structural abnormalities may substantially limit class separability in PPS environments. Although AI-ECG may provide cautious adjunctive support within physician-led workflows, these findings highlight the intrinsic challenges of applying ECG-based AI to low-prevalence sports cardiology screening populations.
Cómo citar:
Palermi S, Zeidaabadi B, Vecchiato M, Anselmino M, Adorisio R, Biffi A, Borrelli F, Brugin E, Cantarutti N, Cavarretta E, Cominacini M, Corsi M, DAscenzi F, De Feo V, Di Gioia G, Dorelli G, Foccardi G (2026).
Development and external validation of AI-ECG models in athlete pre-participation screening: Performance, limitations, and clinical implications.. International journal of cardiology.
DOI: 10.1016/j.ijcard.2026.134677 ↗ PMID: 42468692 ↗ Acceso al paper: Ver completo ↗
