La medicina contemporánea enfrenta una paradoja: disponemos de más información clínica que nunca, pero seguimos teniendo dificultades para integrar todos los datos relevantes en decisiones oportunas, individualizadas y sostenibles. Esta contradicción es aún más evidente en la salud cardiorrenometabólica, donde las enfermedades cardiovasculares, la diabetes mellitus tipo 2, la obesidad y la enfermedad renal crónica interactúan a lo largo del continuo cardiorrenometabólico.
En este escenario, la inteligencia artificial (IA) despierta grandes expectativas. Sin embargo, la pregunta clínica no es cuántas tareas puede realizar un algoritmo, sino cuánto puede aportar a la prevención, al diagnóstico y al tratamiento. El desafío consiste en construir puentes entre los datos disponibles, el conocimiento científico y las decisiones que realmente mejoran la salud y la calidad de vida de los pacientes.
Un paciente, múltiples dimensiones
|
La enfermedad cardiovascular, la enfermedad renal y las alteraciones metabólicas no pueden comprenderse como entidades independientes. La diabetes y la hipertensión aumentan el riesgo de enfermedad renal crónica y eventos cardiovasculares; a su vez, la enfermedad renal modifica el riesgo, el pronóstico y las decisiones terapéuticas. La insuficiencia cardíaca, por su parte, puede coexistir con ambas condiciones y aumentar la complejidad de la atención.
Esta interdependencia exige una atención integrada. La IA podría contribuir mediante el análisis conjunto de historias clínicas electrónicas, resultados de laboratorio, electrocardiogramas, imágenes diagnósticas y registros longitudinales. Su capacidad para reconocer patrones complejos puede ayudar a identificar asociaciones que pasarían inadvertidas al evaluar cada variable por separado.1,2
Del reconocimiento de patrones a la prevención
|
En cardiología, la IA se utiliza en algunas tareas de análisis de imágenes y se investiga en electrocardiografía, monitorización fisiológica e historias clínicas. Estas aplicaciones pueden contribuir a la clasificación diagnóstica, la estimación del riesgo y la identificación de pacientes que requieren una evaluación adicional. La declaración científica de la American Heart Association publicada en Circulation en 2024 revisa estas posibilidades y señala las dificultades para su adopción amplia. El rendimiento diagnóstico no equivale, por sí solo, a un beneficio clínico demostrado.1,2
En el ámbito cardiorrenometabólico, una oportunidad consiste en integrar información clínica para reconocer perfiles de riesgo elevado y orientar el seguimiento. No obstante, estos sistemas deben demostrar que aportan valor frente a las estrategias convencionales y que sus resultados son reproducibles en las poblaciones donde se utilizarán.2
La IA puede complementar los modelos clínicos establecidos y las recomendaciones de las guías, siempre que su rendimiento y su utilidad se evalúen rigurosamente.
La integración de datos también podría facilitar la aplicación de recomendaciones terapéuticas en pacientes con múltiples comorbilidades. En personas con diabetes mellitus tipo 2 y enfermedad renal crónica, por ejemplo, las decisiones deben considerar la función renal, el riesgo cardiovascular, las contraindicaciones y los tratamientos que han demostrado beneficios clínicos.
Las guías de la American Diabetes Association (ADA) 2026, KDIGO 2024 y la Sociedad Europea de Cardiología (ESC) 2026 destacan la importancia de integrar el riesgo cardiorrenal y priorizar tratamientos con beneficios demostrados, como los inhibidores del cotransportador de sodio-glucosa tipo 2 (iSGLT2) y los agonistas del receptor del péptido similar al glucagón tipo 1 (arGLP-1), según las indicaciones y el perfil clínico. La IA podría facilitar la identificación de pacientes de alto riesgo y la implementación de estas recomendaciones, aunque su impacto clínico debe evaluarse.3–5
Un sistema de apoyo basado en IA podría ayudar a identificar información faltante, advertir posibles problemas farmacológicos y recordar recomendaciones pertinentes. Sin embargo, no debe confundirse la automatización de una recomendación con la individualización del tratamiento. Esta última requiere interpretar el contexto clínico, considerar las preferencias del paciente y valorar los beneficios y riesgos de cada intervención.
La individualización del tratamiento requiere interpretar las recomendaciones en el contexto de cada paciente. (Imagen conceptual generada con IA).
Equidad, seguridad y responsabilidad
|
La generalización de estas herramientas constituye otro desafío. Los algoritmos pueden reproducir sesgos presentes en los datos con los que fueron desarrollados y ofrecer resultados menos precisos en poblaciones insuficientemente representadas. En América Latina, es fundamental evaluar su desempeño en contextos locales, con diferentes perfiles epidemiológicos, recursos diagnósticos y condiciones de acceso a la atención.1,2
También deben protegerse la privacidad de los datos, la confidencialidad y la autonomía del paciente. La supervisión profesional es necesaria para interpretar recomendaciones, reconocer errores y decidir cuándo una predicción no es aplicable a una persona concreta.
La IA debe incorporarse con objetivos definidos, evaluación continua y responsabilidades claras. Implementarla por novedad, sin demostrar su utilidad, puede añadir costos, complejidad y nuevas fuentes de error.1,2
Un puente, no un sustituto
|
La salud cardiorrenometabólica necesita una medicina capaz de integrar sistemas, factores de riesgo y trayectorias clínicas. La IA ofrece herramientas potencialmente valiosas para avanzar hacia ese objetivo, pero su contribución debe medirse por los resultados que consigue, no por la sofisticación de sus algoritmos.
El reto para los profesionales de la salud consiste en combinar innovación, evidencia y juicio clínico. Estas herramientas podrían ayudarnos a reconocer el riesgo de forma precoz y organizar mejor la información; corresponde al clínico convertir ese conocimiento en decisiones prudentes, equitativas y centradas en los pacientes.
Su evaluación debe considerar la capacidad para anticiparse a la enfermedad y mejorar la atención de cada persona.
Bibliografía:
1. Armoundas AA, Narayan SM, Arnett DK, et al. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation. 2024;149(14):e1028–e1050. doi: 10.1161/CIR.0000000000001201.
https://doi.org/10.1161/CIR.0000000000001201
2. Hanneman K, Playford D, Dey D, et al. Value Creation Through Artificial Intelligence and Cardiovascular Imaging: A Scientific Statement From the American Heart Association. Circulation. 2024;149(6):e296–e311. doi: 10.1161/CIR.0000000000001202.
https://doi.org/10.1161/CIR.0000000000001202
3. Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int. 2024;105(4S):S117–S314. doi: 10.1016/j.kint.2023.10.018.
https://doi.org/10.1016/j.kint.2023.10.018
4. American Diabetes Association Professional Practice Committee for Diabetes. 10. Cardiovascular Disease and Risk Management: Standards of Care in Diabetes—2026. Diabetes Care. 2026;49(Suppl 1):S216–S245. doi: 10.2337/dc26-S010.
https://doi.org/10.2337/dc26-S010
5. Damman K, ter Maaten JM, Mayne KJ, et al. 2026 ESC Guidelines for the management of cardiovascular disease and chronic kidney disease, in collaboration with the European Renal Association (ERA). Eur Heart J. 2026 Aug 28:ehag098. doi: 10.1093/eurheartj/ehag098.
https://doi.org/10.1093/eurheartj/ehag098
![IntraMed](data:image/svg+xml,<?xml version="1.0" encoding="UTF-8"?>%0A<svg id="Capa_1" xmlns="http://www.w3.org/2000/svg" version="1.1" viewBox="0 0 1080 315">%0A <defs>%0A <style>%0A .st0 {%0A fill-rule: evenodd;%0A }%0A%0A .st0, .st1 {%0A fill: %23002bc7;%0A }%0A%0A .st2 {%0A fill: %23fff;%0A }%0A </style>%0A </defs>%0A <g>%0A <circle class="st2" cx="141.5" cy="179.93" r="135.02"/>%0A <g>%0A <path class="st2" d="M350.28,126.97v106.62c0,7-4.04,11.22-10.41,11.22s-10.5-4.22-10.5-11.22v-106.62c0-7,4.13-11.22,10.5-11.22s10.41,4.22,10.41,11.22Z"/>%0A <path class="st2" d="M459.96,184.86v49.09c0,6.82-4.04,10.86-10.23,10.86s-10.14-4.04-10.14-10.86v-47.03c0-13.28-6.73-20.28-20.73-20.28-7.81,0-15.53,2.15-20.19,4.85v62.47c0,6.82-4.04,10.86-10.23,10.86s-10.14-4.04-10.14-10.86v-66.68c0-6.37,1.35-9.24,7.09-12.21,5.38-3.14,18.49-8.17,33.48-8.17,26.66,0,41.11,14.36,41.11,37.96Z"/>%0A <path class="st2" d="M505.83,137.92v10.68h24.14c7,0,10.59,3.59,10.59,9.42s-3.59,9.33-10.59,9.33h-24.14v45.05c0,9.78,3.86,14.09,12.74,14.09,4.76,0,8.08-1.08,10.77-1.98,2.15-.72,3.95-1.52,6.28-1.52,4.58,0,8.44,3.77,8.44,9.06s-3.14,8.08-7.99,9.96c-5.21,1.97-11.76,3.59-18.76,3.59-19.03,0-31.86-10.86-31.86-31.23v-76.47c0-6.82,3.95-10.77,10.14-10.77s10.23,3.95,10.23,10.77Z"/>%0A <path class="st2" d="M559.96,233.95v-55.73c0-19.3,11.76-31.32,30.69-31.32,6.01,0,11.22.72,15.17,1.89,5.83,1.61,9.87,4.67,9.87,10.32,0,6.28-4.22,9.87-8.44,9.87-1.97,0-3.41-.36-4.85-.72-3.05-.81-5.92-1.26-9.69-1.26-8.44,0-12.39,4.04-12.39,12.39v54.57c0,6.82-3.95,10.86-10.14,10.86s-10.23-4.04-10.23-10.86Z"/>%0A <path class="st2" d="M624.04,214.83c0-15.08,11.76-28.9,36.08-28.9,7.81,0,14.72.99,22.89,3.14v-7.45c0-10.86-5.74-16.25-20.28-16.25-6.37,0-12.74,1.62-16.69,3.23-2.69.99-5.21,1.88-7.45,1.88-4.76,0-8.53-3.68-8.62-8.71,0-4.22,2.24-7.54,7.81-9.69,6.19-2.6,15.8-5.21,26.48-5.21,24.5,0,38.41,11.04,38.41,35.27v46.13c0,3.68-.99,5.56-3.77,7.45-5.65,3.86-19.57,9.87-37.87,9.87-23.78,0-36.98-13.37-36.98-30.78ZM662.73,228.84c7.27,0,14.81-2.06,20.28-4.94v-20.19c-7.45-2.24-13.55-3.23-20.37-3.23-12.83,0-19.21,6.28-19.21,14.36,0,8.89,7.54,14,19.3,14Z"/>%0A <path class="st2" d="M724.12,235.12c0-.81.09-2.06.18-2.78l13.73-96.57c2.15-15.17,9.51-20.01,20.1-20.01,9.51,0,16.78,3.95,19.66,19.12l18.4,85.71c.45,1.62.72,2.33,1.98,2.33,1.35,0,1.7-.72,2.06-2.42l18.31-85.62c2.87-15.17,10.05-19.12,19.57-19.12,10.68,0,17.95,4.85,20.01,20.1l13.73,96.03c.18,1.44.27,2.24.27,3.32,0,5.84-3.95,9.6-9.69,9.6-6.55,0-10.14-3.5-10.86-10.05l-12.12-94.86c-.27-1.89-.72-2.51-1.88-2.51-.99,0-1.53.45-1.88,2.15l-19.57,88.22c-2.42,11.58-8.53,17.05-18.13,17.05-10.23,0-15.71-5.57-18.22-17.14l-19.48-88.04c-.45-1.62-.99-2.24-1.79-2.24-1.17,0-1.71.72-1.97,2.6l-11.85,94.78c-.81,6.64-4.31,10.05-10.41,10.05s-10.14-3.59-10.14-9.69Z"/>%0A <path class="st2" d="M891.08,208.91c-.63-6.73-.63-17.68-.09-23.96,2.06-22.17,18.04-37.87,42.18-37.87s39.67,16.06,39.67,39.67v5.3c0,9.87-1.97,11.31-10.86,11.31h-51.88c0,1.26,0,2.6.09,3.86.72,12.03,9.96,20.01,24.32,20.01,7.9,0,13.91-1.71,18.85-3.68,2.96-1.08,4.85-2.06,7.45-2.06,4.85,0,8.44,3.14,8.44,8.44.09,5.12-3.77,8.08-7.54,9.78-6.91,3.32-16.78,5.92-27.64,5.92-24.5,0-41.01-15.08-42.99-36.71ZM954,188.81c1.26-15.44-7.81-24.32-21.45-24.32s-21.54,8.98-22.35,22.08c0,.72-.09,1.53-.09,2.24h43.89Z"/>%0A <path class="st2" d="M1074.18,125.17v102.85c0,3.95-1.08,5.92-3.86,7.81-5.83,3.86-20.1,9.78-37.16,9.78-23.87,0-39.22-14.81-41.19-36.17-.72-7.27-.72-19.21,0-26.39,1.97-21.36,17.32-36.17,39.4-36.17,8.17,0,16.78,2.06,22.44,4.85v-26.57c0-6.82,3.95-10.86,10.23-10.86s10.14,4.04,10.14,10.86ZM1033.97,225.87c6.91,0,15.53-2.06,19.83-5.11v-49c-4.31-3.05-12.93-5.12-19.83-5.12-13.37,0-20.73,7.99-21.81,19.75-.54,6.55-.45,13.82,0,19.74,1.08,11.76,8.44,19.75,21.81,19.75Z"/>%0A </g>%0A <g>%0A <path class="st1" d="M101.42,217.17c0-.64.07-1.63.14-2.2l10.87-76.46c1.71-12.01,7.53-15.85,15.92-15.85,7.53,0,13.29,3.13,15.56,15.14l14.57,67.86c.36,1.28.57,1.85,1.56,1.85,1.07,0,1.35-.57,1.63-1.92l14.5-67.79c2.27-12.01,7.96-15.14,15.49-15.14,8.46,0,14.21,3.84,15.85,15.92l10.87,76.04c.14,1.14.21,1.78.21,2.63,0,4.62-3.13,7.6-7.67,7.6-5.19,0-8.03-2.77-8.6-7.96l-9.59-75.11c-.21-1.49-.57-1.99-1.49-1.99-.78,0-1.21.36-1.49,1.71l-15.49,69.85c-1.92,9.17-6.75,13.5-14.36,13.5-8.1,0-12.44-4.41-14.43-13.57l-15.42-69.71c-.36-1.28-.78-1.78-1.42-1.78-.92,0-1.35.57-1.56,2.06l-9.38,75.04c-.64,5.26-3.41,7.96-8.24,7.96s-8.03-2.84-8.03-7.67Z"/>%0A <path class="st1" d="M90.62,131.29v84.42c0,5.54-3.2,8.88-8.24,8.88s-8.31-3.34-8.31-8.88v-84.42c0-5.54,3.27-8.88,8.31-8.88s8.24,3.34,8.24,8.88Z"/>%0A </g>%0A <g>%0A <path class="st0" d="M74.36,202.14c19.92.79,54.3-4.62,92.4-15.33,58-16.32,102.67-38.77,99.76-50.15-2-7.85-26.05-8.39-59.77-2.65,23.98-2.82,37.51-1.37,39.11,4.9,2.82,11.03-37.79,32.76-93.95,48.56-1.26.35-2.51.7-3.76,1.04,0,0,0,0-.01,0-13.29,3.95-50.37,13.62-73.78,13.62Z"/>%0A <path class="st0" d="M191.55,191.02c-13.03,4.75-27.19,9.32-42.09,13.5-70.38,19.79-130.56,23.59-134.41,8.48-2.65-10.4,20.1-26.01,58.76-41.85-26.73,12.73-38.09,24.13-35.96,32.45,3.73,14.63,59.37,10.95,127.5-8.22,36.59-10.29,68.58-22.95,89.79-34.73-9.63,6.73-23.48,14.01-40.32,21.2-4.91,2.44-18.07,7.34-23.28,9.16Z"/>%0A </g>%0A </g>%0A</svg>%0A)
Publicado el 21 de octubre de 2026
Innovación bajo evaluación
Puentes entre la inteligencia artificial y la salud cardiorrenometabólica
Integrar datos puede ayudar a reconocer pacientes de alto riesgo. Su utilidad depende de la validación clínica y del juicio profesional.
La medicina contemporánea enfrenta una paradoja: disponemos de más información clínica que nunca, pero seguimos teniendo dificultades para integrar todos los datos relevantes en decisiones oportunas, individualizadas y sostenibles. Esta contradicción es aún más evidente en la salud cardiorrenometabólica, donde las enfermedades cardiovasculares, la diabetes mellitus tipo 2, la obesidad y la enfermedad renal crónica interactúan a lo largo del continuo cardiorrenometabólico.
En este escenario, la inteligencia artificial (IA) despierta grandes expectativas. Sin embargo, la pregunta clínica no es cuántas tareas puede realizar un algoritmo, sino cuánto puede aportar a la prevención, al diagnóstico y al tratamiento. El desafío consiste en construir puentes entre los datos disponibles, el conocimiento científico y las decisiones que realmente mejoran la salud y la calidad de vida de los pacientes.
Un paciente, múltiples dimensiones
La enfermedad cardiovascular, la enfermedad renal y las alteraciones metabólicas no pueden comprenderse como entidades independientes. La diabetes y la hipertensión aumentan el riesgo de enfermedad renal crónica y eventos cardiovasculares; a su vez, la enfermedad renal modifica el riesgo, el pronóstico y las decisiones terapéuticas. La insuficiencia cardíaca, por su parte, puede coexistir con ambas condiciones y aumentar la complejidad de la atención.
Esta interdependencia exige una atención integrada. La IA podría contribuir mediante el análisis conjunto de historias clínicas electrónicas, resultados de laboratorio, electrocardiogramas, imágenes diagnósticas y registros longitudinales. Su capacidad para reconocer patrones complejos puede ayudar a identificar asociaciones que pasarían inadvertidas al evaluar cada variable por separado.1,2
Del reconocimiento de patrones a la prevención
En cardiología, la IA se utiliza en algunas tareas de análisis de imágenes y se investiga en electrocardiografía, monitorización fisiológica e historias clínicas. Estas aplicaciones pueden contribuir a la clasificación diagnóstica, la estimación del riesgo y la identificación de pacientes que requieren una evaluación adicional. La declaración científica de la American Heart Association publicada en Circulation en 2024 revisa estas posibilidades y señala las dificultades para su adopción amplia. El rendimiento diagnóstico no equivale, por sí solo, a un beneficio clínico demostrado.1,2
En el ámbito cardiorrenometabólico, una oportunidad consiste en integrar información clínica para reconocer perfiles de riesgo elevado y orientar el seguimiento. No obstante, estos sistemas deben demostrar que aportan valor frente a las estrategias convencionales y que sus resultados son reproducibles en las poblaciones donde se utilizarán.2
La IA puede complementar los modelos clínicos establecidos y las recomendaciones de las guías, siempre que su rendimiento y su utilidad se evalúen rigurosamente.
Medicina personalizada
La integración de datos también podría facilitar la aplicación de recomendaciones terapéuticas en pacientes con múltiples comorbilidades. En personas con diabetes mellitus tipo 2 y enfermedad renal crónica, por ejemplo, las decisiones deben considerar la función renal, el riesgo cardiovascular, las contraindicaciones y los tratamientos que han demostrado beneficios clínicos.
Las guías de la American Diabetes Association (ADA) 2026, KDIGO 2024 y la Sociedad Europea de Cardiología (ESC) 2026 destacan la importancia de integrar el riesgo cardiorrenal y priorizar tratamientos con beneficios demostrados, como los inhibidores del cotransportador de sodio-glucosa tipo 2 (iSGLT2) y los agonistas del receptor del péptido similar al glucagón tipo 1 (arGLP-1), según las indicaciones y el perfil clínico. La IA podría facilitar la identificación de pacientes de alto riesgo y la implementación de estas recomendaciones, aunque su impacto clínico debe evaluarse.3–5
Un sistema de apoyo basado en IA podría ayudar a identificar información faltante, advertir posibles problemas farmacológicos y recordar recomendaciones pertinentes. Sin embargo, no debe confundirse la automatización de una recomendación con la individualización del tratamiento. Esta última requiere interpretar el contexto clínico, considerar las preferencias del paciente y valorar los beneficios y riesgos de cada intervención.
La individualización del tratamiento requiere interpretar las recomendaciones en el contexto de cada paciente. (Imagen conceptual generada con IA).
Equidad, seguridad y responsabilidad
La generalización de estas herramientas constituye otro desafío. Los algoritmos pueden reproducir sesgos presentes en los datos con los que fueron desarrollados y ofrecer resultados menos precisos en poblaciones insuficientemente representadas. En América Latina, es fundamental evaluar su desempeño en contextos locales, con diferentes perfiles epidemiológicos, recursos diagnósticos y condiciones de acceso a la atención.1,2
También deben protegerse la privacidad de los datos, la confidencialidad y la autonomía del paciente. La supervisión profesional es necesaria para interpretar recomendaciones, reconocer errores y decidir cuándo una predicción no es aplicable a una persona concreta.
La IA debe incorporarse con objetivos definidos, evaluación continua y responsabilidades claras. Implementarla por novedad, sin demostrar su utilidad, puede añadir costos, complejidad y nuevas fuentes de error.1,2
Un puente, no un sustituto
La salud cardiorrenometabólica necesita una medicina capaz de integrar sistemas, factores de riesgo y trayectorias clínicas. La IA ofrece herramientas potencialmente valiosas para avanzar hacia ese objetivo, pero su contribución debe medirse por los resultados que consigue, no por la sofisticación de sus algoritmos.
El reto para los profesionales de la salud consiste en combinar innovación, evidencia y juicio clínico. Estas herramientas podrían ayudarnos a reconocer el riesgo de forma precoz y organizar mejor la información; corresponde al clínico convertir ese conocimiento en decisiones prudentes, equitativas y centradas en los pacientes.
Su evaluación debe considerar la capacidad para anticiparse a la enfermedad y mejorar la atención de cada persona.
Bibliografía:
1. Armoundas AA, Narayan SM, Arnett DK, et al. Use of Artificial Intelligence in Improving Outcomes in Heart Disease: A Scientific Statement From the American Heart Association. Circulation. 2024;149(14):e1028–e1050. doi: 10.1161/CIR.0000000000001201.
https://doi.org/10.1161/CIR.0000000000001201
2. Hanneman K, Playford D, Dey D, et al. Value Creation Through Artificial Intelligence and Cardiovascular Imaging: A Scientific Statement From the American Heart Association. Circulation. 2024;149(6):e296–e311. doi: 10.1161/CIR.0000000000001202.
https://doi.org/10.1161/CIR.0000000000001202
3. Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int. 2024;105(4S):S117–S314. doi: 10.1016/j.kint.2023.10.018.
https://doi.org/10.1016/j.kint.2023.10.018
4. American Diabetes Association Professional Practice Committee for Diabetes. 10. Cardiovascular Disease and Risk Management: Standards of Care in Diabetes—2026. Diabetes Care. 2026;49(Suppl 1):S216–S245. doi: 10.2337/dc26-S010.
https://doi.org/10.2337/dc26-S010
5. Damman K, ter Maaten JM, Mayne KJ, et al. 2026 ESC Guidelines for the management of cardiovascular disease and chronic kidney disease, in collaboration with the European Renal Association (ERA). Eur Heart J. 2026 Aug 28:ehag098. doi: 10.1093/eurheartj/ehag098.
https://doi.org/10.1093/eurheartj/ehag098