🎯 Título: Cómo usar la inteligencia artificial en cardiología deportiva
📌 En breve: Esta revisión plantea que los modelos de lenguaje (IA) en cardiología deportiva deben operar bajo supervisión humana constante, procesando datos ya verificados por el médico en vez de interpretar señales fisiológicas directamente.
🔬 Puntos clave:
### Por qué la cardiología deportiva es un caso difícil para la IA
La evidencia actual sobre IA médica proviene sobre todo de exámenes tipo test y poblaciones hospitalarias, lo que limita su aplicación directa a la evaluación cardiovascular de atletas —un contexto con baja prevalencia de enfermedad, superposición entre cambios fisiológicos normales y patológicos, e incertidumbre a largo plazo.
### La propuesta: IA como "capa de integración", no como intérprete
Los autores proponen el «paradigma de texto-proxy»: la IA no interpreta señales fisiológicas directamente, sino que procesa y organiza información ya verificada por el clínico y por sistemas validados —apoyando documentación, síntesis longitudinal, búsqueda de guías y comunicación con el atleta, siempre bajo supervisión humana continua.
### La conclusión central
Los autores sostienen que el progreso futuro depende menos de modelos de IA cada vez más potentes, y más de sistemas clínicos confiables con gobernanza, calibración, transparencia, auditabilidad y supervisión médica.
🎯 Aplicación clínica para LATAM: Sociedades de cardiología deportiva de la región que evalúen adoptar IA en la evaluación preparticipativa deberían priorizar sistemas con supervisión médica explícita y trazabilidad, no herramientas que interpreten ECG u otros datos de forma autónoma.
⚠ Limitaciones: Es una revisión narrativa de posición/gobernanza, no un estudio que mida el desempeño real de un sistema de IA específico.
Background
Large language models (LLMs) are increasingly integrated into clinical artificial intelligence (AI) workflows, with emerging applications in medical documentation, information synthesis, guideline retrieval, and patient communication. Recent advances in foundation models, including multimodal systems, have further expanded these capabilities. However, current evidence derives predominantly from examination-style benchmarks, retrospective vignettes, and hospital-based populations, limiting its direct applicability to athlete-centered cardiovascular care. Sports cardiology represents a uniquely challenging environment for AI because of low disease prevalence, physiological-pathological overlap, longitudinal uncertainty, and eligibility-driven decision-making.
Main body
This narrative review critically examines the conceptual, technical, regulatory, and governance challenges associated with LLM deployment in sports cardiology. We argue that current evaluation paradigms inadequately capture the uncertainty-intensive nature of athlete cardiovascular assessment and propose the text-proxy paradigm, a governance-oriented framework in which LLMs operate as semantic integration layers that process clinician-verified and structured outputs generated by validated upstream systems rather than directly interpreting physiological signals. Within this architecture, LLMs may support documentation, longitudinal synthesis, guideline retrieval, contextual reasoning, and athlete communication under continuous human oversight. We further discuss uncertainty propagation across layered AI systems, workflow-oriented validation, regulatory implications, and a staged framework for responsible clinical implementation.
Conclusion
Future progress will depend less on increasingly capable models than on trustworthy clinical ecosystems that prioritize governance, calibration, transparency, auditability, and clinician oversight. Rather than serving as an early adopter of autonomous AI, sports cardiology may provide a benchmark for the responsible integration of foundation models into high-stakes clinical medicine.
Cómo citar:
Palermi S, Saglietto A, D'Ascenzo F, De Ferrari GM, Bruno F, Tse G, Kizilkiliç SE, Tjong F, Campillo SR, Keser N, Busnatu S, Marketou M, Wenzl FA, Vecchiato M, Rampone JM. (2026).
Large language models in sports cardiology: Challenges, governance, and human-in-the-loop integration.. Progress in cardiovascular diseases.
DOI: 10.1016/j.pcad.2026.07.005 ↗ PMID: 42508552 ↗ Acceso al paper: Ver completo ↗
