La IA puede convertir la grasa alrededor del corazón en una nueva pista de riesgo cardiovascular, pero todavía como complemento y no como reemplazo

La IA puede convertir la grasa alrededor del corazón en una nueva pista de riesgo cardiovascular, pero todavía como complemento y no como reemplazo

La valoración del riesgo cardiovascular ha dependido durante décadas de una combinación bastante conocida de variables: edad, presión arterial, colesterol, diabetes, tabaquismo, antecedentes clínicos y, más recientemente, algunas herramientas de imagen como la puntuación de calcio coronario. Ahora, una nueva línea de investigación intenta extraer todavía más información de las propias tomografías que muchos pacientes ya se realizan: la grasa situada alrededor del corazón y de las arterias coronarias.

A primera vista, eso puede parecer un detalle técnico. Pero la idea tiene cada vez más fuerza. La grasa epicárdica y la grasa perivascular no son simples depósitos pasivos. Parecen reflejar procesos metabólicos e inflamatorios con relevancia biológica, potencialmente relacionados con remodelado vascular, aterosclerosis y riesgo futuro de eventos cardiovasculares.

Ahí es donde entra la inteligencia artificial. En lugar de depender de mediciones manuales lentas y poco escalables, los algoritmos pueden cuantificar automáticamente estos depósitos de grasa en tomografías y transformar estructuras antes infrautilizadas en posibles biomarcadores clínicos. El conjunto de evidencias proporcionado aquí respalda bastante bien la idea de que estas medidas pueden añadir información útil a la predicción del riesgo cardiovascular. Lo que no respalda es una revolución inmediata capaz de sustituir las herramientas actuales.

Qué está midiendo exactamente la IA

Cuando se habla de “grasa del corazón”, el término puede resultar impreciso. En la práctica, la literatura suministrada se centra sobre todo en dos objetivos.

El primero es la grasa epicárdica, situada entre el miocardio y el pericardio, en contacto estrecho con el corazón y las arterias coronarias. El segundo es la grasa perivascular, que rodea los vasos y puede contener señales indirectas del entorno inflamatorio vascular.

Estos tejidos interesan porque no son biológicamente neutros. Producen mediadores inflamatorios, interactúan con estructuras vecinas y pueden reflejar cambios metabólicos y vasculares que los factores de riesgo clásicos no siempre captan del todo.

El problema, hasta hace poco, era operativo: medir estas estructuras con precisión, a gran escala y de forma reproducible no era sencillo. La IA cambia esa ecuación al automatizar el proceso.

Lo que los estudios sí muestran

Una de las referencias más sólidas del material describe una estrategia de deep learning para evaluar de forma automatizada la grasa epicárdica. El sistema mostró una fuerte concordancia con la medición humana y, además, encontró que la grasa epicárdica predecía de forma independiente infarto de miocardio, ictus, fibrilación auricular y mortalidad por cualquier causa.

Ese hallazgo es importante por dos razones. La primera es que sugiere que la IA puede medir un marcador anatómico con una calidad suficientemente cercana al rendimiento humano. La segunda es que esa medición no fue solo técnicamente viable: también mostró asociación con desenlaces clínicos relevantes.

Otra referencia destaca un perfil radiómico derivado mediante machine learning de la grasa perivascular. En ese trabajo, la información extraída de esta grasa mejoró de forma significativa la predicción de eventos cardiacos adversos mayores incluso después de tener en cuenta factores tradicionales, puntuación de calcio, grado de estenosis y rasgos de placa de alto riesgo en la angiografía por TC coronaria.

Esto refuerza la idea central de toda la historia: en las imágenes ya existe información cardiovascular potencialmente valiosa que hasta ahora no se aprovechaba del todo, y la IA podría ser la herramienta que haga posible usarla a escala.

El valor clínico está en afinar, no en reinventarlo todo

La mejor forma de entender estos hallazgos no es como sustitución de los modelos de riesgo ya existentes, sino como una capa adicional de refinamiento.

La cardiología preventiva trabaja muchas veces en zonas grises. Hay pacientes clasificados como riesgo intermedio en quienes la duda clínica no es si existe algún riesgo, sino si ese riesgo es suficientemente alto como para justificar un tratamiento más intensivo, un seguimiento más estrecho o pruebas adicionales.

Es ahí donde los biomarcadores de imagen podrían ser más útiles. Si las medidas de grasa epicárdica o perivascular logran mejorar, aunque sea modestamente, la discriminación del riesgo, podrían ayudar a distinguir mejor quién está realmente en un nivel más alto dentro de grupos aparentemente parecidos.

Ese matiz importa porque evita un exceso habitual. Mejorar la precisión predictiva no significa automáticamente descubrir “el nuevo mejor test” para todos. Puede significar simplemente añadir una capa útil de precisión en contextos concretos.

La grasa alrededor del corazón podría ser un espejo de inflamación vascular

Una de las razones por las que estos marcadores generan tanto interés es la biología que hay detrás. La grasa que rodea el corazón y las coronarias no es solo un almacén energético. Parece participar en un microambiente relacionado con inflamación, remodelado vascular y procesos ateroscleróticos.

Eso ayuda a explicar por qué la grasa perivascular, en particular, ha despertado tanto interés. En vez de funcionar únicamente como marcador de obesidad general, podría reflejar algo más localizado: cómo está interactuando la pared vascular con el tejido que la rodea.

Si esa interpretación se confirma, la IA no estaría solo midiendo grasa. Estaría captando indirectamente una señal morfofuncional del estado inflamatorio y metabólico del sistema cardiovascular.

Dónde empieza la cautela

Aun así, el propio conjunto de referencias obliga a moderar el entusiasmo. La revisión más reciente incluida en el material señala que las medidas perivasculares pueden añadir solo una discriminación predictiva modesta en grandes bases de datos.

La palabra modesta es fundamental. En biomarcadores, no toda mejora estadísticamente significativa representa una transformación clínica real. Un modelo puede predecir un poco mejor sin que eso, en la práctica, cambie decisiones terapéuticas, resultados clínicos o la vida de los pacientes de forma relevante.

Además, la mayor parte de la evidencia procede de estudios basados en tomografía, a menudo en contextos ya seleccionados, y no de programas amplios de cribado en población general. Eso limita la generalización inmediata.

Mejor predicción no significa automáticamente mejor atención

Ese es un punto decisivo. En medicina de precisión es frecuente confundir tres niveles distintos de evidencia.

El primero: el marcador se asocia con el riesgo.

El segundo: el marcador mejora un modelo de predicción.

El tercero: utilizar ese marcador en la práctica mejora realmente la atención y los desenlaces del paciente.

Las referencias aportadas llegan con bastante claridad a los dos primeros niveles. El tercero sigue abierto. No está demostrado, con este material, que medir de forma rutinaria la grasa cardiaca con IA vaya a traducirse en menos infartos, menos muertes o mejores decisiones clínicas a gran escala.

Por eso, cualquier narrativa de “nuevo examen que lo cambia todo” sería prematura.

También existen barreras prácticas

Aunque el valor biológico y predictivo siga acumulando apoyo, la implementación real depende de otras condiciones. Hace falta acceso a tomografías de buena calidad, estandarización de protocolos, validación técnica de los algoritmos, integración con el flujo clínico y claridad sobre qué hacer cuando el marcador sale alterado.

Sin eso, existe el riesgo de tener un biomarcador elegante sobre el papel, pero poco útil en el mundo real. La IA puede automatizar la medición, pero no resuelve por sí sola la traducción clínica de esa medición.

Además, parte del beneficio potencial depende de contextos en los que el paciente ya se ha realizado una tomografía por otro motivo. Eso puede ser una ventaja —sacar más valor de pruebas ya existentes—, pero también limita la idea de una aplicación universal inmediata.

Lo que esta historia realmente cambia hoy

El avance más importante quizá no sea un nuevo protocolo obligatorio, sino un cambio de perspectiva. Las tomografías cardiacas podrían contener mucha más información pronóstica de la que la práctica clínica ha sabido extraer hasta ahora.

Si la IA consigue captar esa información con rapidez, consistencia y un coste operativo razonable, la imagen cardiovascular podría volverse más rica no solo para describir anatomía, sino también para afinar el riesgo de una forma más precisa.

Eso resulta especialmente relevante en una etapa en la que la medicina intenta salir de la lógica binaria de “hay enfermedad” o “no hay enfermedad” y avanzar hacia una lógica de riesgo continuo, inflamación subclínica y prevención más personalizada.

La lectura más equilibrada

Las evidencias aportadas respaldan bastante bien la idea de que la IA puede extraer medidas clínicamente útiles de la grasa epicárdica y perivascular visible en tomografías. Estos marcadores parecen añadir información a la predicción del riesgo cardiovascular más allá de los factores tradicionales y de algunas herramientas de imagen ya consolidadas.

Pero, al menos con el material disponible, la ganancia parece más incremental que transformadora. La mejora en la discriminación no es suficiente para desplazar a los modelos clásicos ni para justificar el reemplazo de las herramientas que ya se utilizan.

La conclusión más honesta, por tanto, es esta: la grasa alrededor del corazón está dejando de ser solo un detalle anatómico y podría convertirse en un biomarcador útil para afinar el riesgo cardiovascular. La inteligencia artificial ayuda a hacer esa lectura posible a escala. Pero, por ahora, se trata de un complemento prometedor dentro de la caja de herramientas de la prevención cardiovascular, no de su nuevo eje central.