Enseñar a interpretar el ECG cuando la IA ya lee la tira

Tus alumnos ya pueden hacerle una foto a una tira de ritmo y preguntarle a una IA qué ve. Eso cambia lo que tiene que enseñar una asignatura de ECG, aunque no como parece a primera vista: la lectura tiene que seguir pasando por la cabeza del alumno. La IA que hace ese trabajo es de tres tipos, y una asignatura que los trate como uno solo acaba fiándose demasiado o demasiado poco. Un modelo entrenado con la señal del electrocardiograma iguala a los cardiólogos clasificando ritmos desde 2019. Un chatbot al que le enseñas la foto de una tira sigue perdiendo contra los cardiólogos en casos rutinarios, y cambia de respuesta de una sesión a otra. Un tercer tipo de modelo lee cosas que ningún ojo humano ve. Esto es lo que hace cada uno, con sus cifras, y lo que le queda por aprender al alumno.

El primer tipo se entrena con la señal. En el estudio de Stanford publicado en Nature Medicine, una red entrenada con 91.232 registros de una derivación de 53.549 pacientes clasificó 12 clases de ritmo con una F1 media de 0,837, frente a 0,780 de los cardiólogos con los que se comparó. Un año después, un grupo brasileño entrenado con más de 2 millones de electros de 12 derivaciones de una red de telemedicina publicó F1 por encima del 80 % y especificidad por encima del 99 % en seis anomalías, por delante de los residentes de cardiología de la comparación. Es el tipo de modelo que hay detrás de las funciones de IA que anuncian los fabricantes de electrocardiógrafos.

El segundo tipo lee la imagen impresa en vez de la señal. Un equipo de Yale entrenó una red con 385.601 electros dibujados en distintos formatos para detectar una fracción de eyección por debajo del 40 %, y mantuvo un área bajo la curva de 0,90 a 0,94 en hospitales de cuatro estados. Para la docencia importa porque la foto de una tira es lo único que un alumno, o una enfermera en una planta sin exportación digital, puede ponerle delante a un modelo.

El tercer tipo es el de los titulares: modelos que encuentran lo que ningún lector puede. Entrenada con 44.959 pacientes de la Clínica Mayo, una red detectó una fracción de eyección del 35 % o menos solo con el ECG de 12 derivaciones, con un área bajo la curva de 0,93. Otra identificó a pacientes con fibrilación auricular en electros registrados mientras estaban en ritmo sinusal. Eso no se le puede enseñar a nadie a ojo, así que esta rama no sustituye nada en una asignatura. Es cribado, y su sitio es la clase sobre en qué se está convirtiendo el electro.

La pregunta que hacen los alumnos de verdad es por el chatbot que llevan en el bolsillo. Un grupo turco de medicina de urgencias la ha contestado tres veces con los mismos 40 casos del libro 150 ECG Cases, 20 rutinarios y 20 difíciles, frente a 12 cardiólogos y 12 urgenciólogos.

Los tres artículos son la primera, la segunda y la tercera ronda. Dos detalles pesan más que el titular. Las respuestas de los modelos a la misma imagen variaban entre pasadas (GPT-4o solo alcanzó una concordancia moderada consigo mismo, kappa de Fleiss 0,473), y toda la serie descansa en 40 casos de libro, no en tiras de una unidad real. Leído desde una asignatura: un chatbot es una segunda opinión con la que el alumno puede discutir, y una mala autoridad.

Un solo estudio ha medido la IA dentro de una asignatura real de ECG, y fue en enfermería. En 2026, un equipo pasó cuatro modelos (un tutor específico de enfermería, ChatGPT-5, Claude Sonnet 4 y Microsoft Copilot) por un examen de ECG de 88 ítems: 85,3 %, 83,1 %, 80,9 % y 79,1 % de aciertos, con el modelo de enfermería cometiendo los menos errores de onda. Después metieron ese tutor en una asignatura de ECG de 4 créditos. Lo usó el 43 % de los estudiantes, y su nota media fue del 95,1 % frente al 88,8 % de quienes no lo usaron (P = 0,0048).

Van dos avisos con eso. Quien elige usar un tutor puede ser quien más estudia, y hasta el mejor modelo del examen falló más o menos un ítem de cada siete. La conclusión de los autores es que una IA específica del dominio ayuda a aprender el ECG. La que le sigue a un docente es que alguien tiene que seguir teniendo la plantilla de respuestas.

De ahí sale el patrón práctico. El alumno lee primero la tira y se compromete por escrito con una interpretación. Después la lee el modelo, se comparan las dos respuestas y decide la rúbrica. El desacuerdo es el momento docente, y solo existe si el alumno contestó antes de ver lo que dice la IA.

Ese orden es el que sigue el ejercicio de interpretación clínica de nuestra AI Platform. El docente elige la modalidad de ECG, escribe el contexto clínico y sube el trazado. La plataforma lee la imagen una sola vez, y solo para medir: ritmo, frecuencia, eje y qué derivaciones llevan qué cambio. Está hecha para no poner nombre a ningún diagnóstico en ese paso; eso se queda con el docente. Con el contexto y esas medidas redacta una pregunta por dimensión (descripción sistemática, hallazgos relevantes, juicio diagnóstico y plan inmediato) y una rúbrica con los hallazgos críticos, el diagnóstico aceptado y sus sinónimos, el plan y las pistas falsas, y el docente lo edita todo antes de publicarlo. El alumno recibe la tira con lupa y el contexto, escribe una respuesta libre a cada pregunta y la envía una sola vez. La corrección es texto contra esa rúbrica, nunca la imagen otra vez: una nota ponderada, una penalización por cada hallazgo crítico omitido y por cada pista falsa que se tragó, y un informe con lo que faltó, por qué importa y la lectura experta de la misma tira.

Interpretar es el último paso de una rutina que empieza en la camilla, y ningún modelo cubre los primeros: los cuatro electrodos de las extremidades y las seis precordiales bien puestos, un registro limpio, una tira revisada antes de que nadie la lea. El método para leer una tira en cuatro preguntas está en enseñar a interpretar tiras de ritmo.

Antes de que una herramienta de IA para ECG entre en una asignatura, cuatro preguntas separan las útiles del resto.

1. ¿Con qué se validó? Señal o imagen, cuántos pacientes, qué hospitales, y si esa población se parece a la que van a ver tus alumnos.
2. ¿Da la misma respuesta dos veces? Pásale la misma tira varias veces. Los estudios de chatbots de arriba lo hicieron, y ahí apareció la variación.
3. ¿Dónde estaban sus errores? El estudio de enfermería de 2026 contó los errores de onda de cada modelo. Una herramienta que falla en los bloqueos y otra que falla en el ST necesitan supervisiones distintas.
4. ¿Contesta primero el alumno? Si la herramienta enseña su lectura antes de que el alumno se comprometa, es una referencia, y las referencias no construyen interpretación.

La revisión de la Clínica Mayo sobre electrocardiografía con IA termina repasando los límites y las incógnitas del campo: modelos entrenados en una población, su rendimiento fuera de ella, y qué hace un clínico con un cribado positivo que nadie puede ver en la tira. La misma lista sirve como última clase de la asignatura.