Guías y evidencia
Lo que recomiendan las guías sobre el ECG, con su clase y su nivel de evidencia, y lo que está validado y lo que se investiga en su lectura automática.
Qué lecturas automáticas y qué algoritmos de inteligencia artificial sobre el ECG están validados, con qué estudios, y qué se investiga.
Qué está medido y qué no sobre la lectura automática del ECG y los algoritmos de inteligencia artificial: cada estudio con su diseño, su población y su resultado, en el orden en que llega a la consulta. Las referencias completas, al final.
- La lectura automática del electrocardiógrafo orienta; el diagnóstico lo da un médico. La guía ESC 2024 de fibrilación auricular recomienda que un médico revise el ECG para el diagnóstico definitivo de FA (clase I, nivel de evidencia B). En un estudio retrospectivo de 2.298 ECG informados como FA por el programa del electrocardiógrafo, el 19% no lo eran.
- El aviso de un reloj o una pulsera no es un diagnóstico. La misma guía pide un ECG (de 12 derivaciones, de varias o de una sola) para establecer la FA (clase I, nivel de evidencia A). En el estudio de Perez et al. (419.297 participantes), el 0,52% recibió un aviso de pulso irregular y el 34% de los que llevaron después un parche de ECG analizable tenía FA.
- Algoritmos de inteligencia artificial con estudio aleatorizado: la detección de la FEVI baja (cuatro estudios, con resultados distintos), la de la FA (estudio CARDIOLOGIST) y la alerta de riesgo de muerte en el hospital (Lin et al., 2024). Sus variables principales son diagnósticos nuevos, prescripciones o mortalidad a 90 días.
- Ninguna recomendación con clase y nivel de las guías ESC vigentes que tratan del ECG, recogidas en este ESPACIO, se refiere a los algoritmos de inteligencia artificial.
La mayoría de los ECG que se registran en el mundo los analiza un programa del propio electrocardiógrafo, que emite una interpretación inmediata. Según la revisión de Schläpfer y Wellens (J Am Coll Cardiol 2017), las limitaciones de esa interpretación se conocen desde su introducción y persisten pese a la mejora de los algoritmos; el médico sin experiencia que pide el ECG puede no reconocer el error y aceptar el diagnóstico automático. La revisión concluye que la lectura de un médico con experiencia que confirme o corrija el informe es imprescindible.
Cuánto se equivoca con la FA
Estudio retrospectivo de Bogun et al. (Am J Med 2004): 2.298 ECG de 1.085 pacientes con el diagnóstico automático de FA, reinterpretados por médicos.
- 442 ECG (19%), de 382 pacientes (35%), no eran FA.
- En 92 de esos 382 pacientes (24%), el médico que pidió el ECG no corrigió el informe.
- Consecuencias en los 382: antiarrítmicos o anticoagulación innecesarios en 39 (10%), pruebas innecesarias en 90 (24%) y un diagnóstico final de FA paroxística basado en el error en 43 (11%).
Lo que dice la guía
- IBSe recomienda que un médico revise el ECG (de 12 derivaciones, de una o de varias) para dar un diagnóstico definitivo de fibrilación auricular e iniciar el tratamiento.
- IASe recomienda confirmar con un electrocardiograma (de 12 derivaciones, de varias o de una sola derivación) para establecer el diagnóstico de fibrilación auricular clínica e iniciar la estratificación del riesgo y el tratamiento.
Redes neuronales para leer el ritmo: lo que se ha medido
- Hannun et al. (Nat Med 2019). Desarrollo y validación retrospectivos. Una red neuronal entrenada con 91.232 ECG de una derivación de 53.549 pacientes con un monitor ambulatorio clasificó 12 ritmos con un área bajo la curva media de 0,97; su puntuación F1 media fue 0,837, frente a 0,780 de la media de los cardiólogos, sobre un conjunto anotado por un comité de cardiólogos. Los autores la presentan como pendiente de confirmar en la práctica clínica.
- Ribeiro et al. (Nat Commun 2020), estudio CODE. Desarrollo retrospectivo con más de 2 millones de ECG de 12 derivaciones de la red de telemedicina de Minas Gerais (Brasil). En seis alteraciones, la red obtuvo una puntuación F1 superior al 80% y una especificidad superior al 99%, por encima de los residentes de cardiología con los que se comparó.
Los relojes y pulseras con sensor óptico (fotopletismografía) registran el pulso, no el ECG: un algoritmo busca intervalos irregulares y emite un aviso. Algunos relojes registran además un ECG de una derivación cuando el usuario lo pide. Los dos estudios grandes con aviso por fotopletismografía tenían un solo grupo, sin comparación: midieron cuántos avisos se confirmaron como FA, no si detectarla así cambia los ictus o la mortalidad.
| Estudio | Diseño y población | Cuántos recibieron un aviso | Cuántos avisos se confirmaron como FA |
|---|---|---|---|
| Perez et al. (N Engl J Med 2019) | Prospectivo, de un solo grupo y sin visitas presenciales; 419.297 participantes que decían no tener FA, seguidos una mediana de 117 días | 2.161 (0,52%) | FA en el 34% de los 450 con un parche de ECG analizable, colocado de media 13 días después del aviso (35% a partir de los 65 años). Con un nuevo aviso durante el parche, había FA en el ECG en el 84% |
| Estudio MAFA II (Guo et al., J Am Coll Cardiol 2019) | Cohorte poblacional prospectiva en China; 187.912 personas con reloj o pulsera al menos 14 días, de edad media 35 años y 86,7% varones | 424 (0,23%) | FA confirmada en 227 de los 262 seguidos (87,0%); valor predictivo positivo de la señal, 91,6% |
Lo que dice la guía sobre confirmar y cribar la FA
- IASe recomienda confirmar con un electrocardiograma (de 12 derivaciones, de varias o de una sola derivación) para establecer el diagnóstico de fibrilación auricular clínica e iniciar la estratificación del riesgo y el tratamiento.
- ICSe recomienda valorar el ritmo cardiaco de forma sistemática en cada contacto sanitario a partir de los 65 años, para detectar antes la fibrilación auricular.
- IIaBDebe considerarse el cribado poblacional con registro electrocardiográfico prolongado no invasivo a partir de los 75 años, o de los 65 con otros factores de riesgo del CHA2DS2-VA.
Ninguna de las 131 recomendaciones de la guía menciona la fotopletismografía ni la inteligencia artificial. Su figura 15 (métodos no invasivos para el cribado de la FA) separa los métodos basados en el ECG, de una o dos, seis o más de seis derivaciones, que son diagnósticos si un médico confirma la FA (clase I), de los que no lo son: la palpación del pulso, la oscilometría, la fotopletismografía, la mecanocardiografía y el altavoz inteligente.
Recomendaciones y figura 15, del registro verificado de la guía interactiva de FA de CardioApp.El ECG de un reloj para la FEVI baja
Attia et al. (Nat Med 2022). Estudio prospectivo: 2.454 pacientes de la Clínica Mayo enviaron 125.610 ECG de una derivación de su reloj. De los 421 que tenían un ECG en ritmo sinusal en los 30 días de un ecocardiograma, 16 (3,8%) tenían una FEVI ≤40%; el algoritmo la detectó con un área bajo la curva de 0,885. El resumen no da la sensibilidad ni la especificidad.
Estos estudios asignaron al azar a médicos, equipos o pacientes a recibir el resultado del algoritmo o a la práctica habitual. Midieron si cambia lo que se diagnostica o se trata; solo uno tuvo la mortalidad como variable principal.
| Estudio | Diseño y población | Qué se midió | Resultado |
|---|---|---|---|
| Estudio EAGLE (Yao et al., Nat Med 2021) | Aleatorizado por grupos: 120 equipos de atención primaria de 45 centros; 22.641 adultos sin insuficiencia cardiaca con un ECG de rutina | Diagnóstico nuevo de FEVI ≤50% en los 90 días siguientes al ECG | 2,1% con el algoritmo frente a 1,6% sin él (OR 1,32; IC 95% 1,01 a 1,61). Con algoritmo positivo (6% de la cohorte), 19,5% frente a 14,5%. Ecocardiogramas: 19,2% frente a 18,2% |
| Tsai et al. (BMC Med 2025) | Aleatorizado, en un hospital universitario de Taiwán; 13.631 pacientes ingresados a cargo de médicos no cardiólogos | Diagnóstico nuevo de FEVI ≤50% en los 30 días siguientes al ECG | 1,5% frente a 1,1% (HR 1,50; IC 95% 1,11 a 2,03). Ecocardiogramas: 17,1% frente a 17,3% |
| Estudio SPEC-AI Nigeria (Adedinsewo et al., Nat Med 2024) | Aleatorizado y abierto, en 6 hospitales de Nigeria; 1.232 gestantes y puérperas (1.195 completaron la visita inicial) | Disfunción sistólica del ventrículo izquierdo identificada durante el estudio | Con el estetoscopio digital con inteligencia artificial, 4,1% frente a 2,0% (OR 2,12; IC 95% 1,05 a 4,27). Con el ECG de 12 derivaciones con inteligencia artificial, 3,4% frente a 2,0% (OR 1,75; IC 95% 0,85 a 3,62), sin diferencia significativa |
| Estudio TRICORDER (Kelshiker et al., Lancet 2026) | Aleatorizado por grupos: 205 centros de atención primaria del Reino Unido. El estetoscopio registra 15 segundos de ECG de una derivación y fonocardiograma | Diagnósticos nuevos de insuficiencia cardiaca | Sin diferencia: razón de tasas de incidencia 0,94 (IC 95% 0,86 a 1,02). Se usó en 12.725 exploraciones |
| Estudio CARDIOLOGIST (Liu et al., J Am Heart Assoc 2025) | Aleatorizado por grupos de médicos no cardiólogos en 2 hospitales de Taiwán; 8.857 y 8.960 pacientes de urgencias o ingresados con riesgo de ictus, sin FA ni anticoagulación previas | Prescripción de un anticoagulante oral de acción directa en los 90 días tras el alta y diagnóstico nuevo de FA | FA detectada por el algoritmo en 275 y 245 pacientes. Prescripción: 23,3% frente a 12,0% (HR 1,85; IC 95% 1,11 a 3,07). Diagnóstico de FA: HR 1,40 (IC 95% 1,03 a 1,90). Sin diferencias en ictus isquémico, muerte cardiovascular ni muerte |
| Lin et al. (Nat Med 2024) | Aleatorizado, multicéntrico; 39 médicos y 15.965 pacientes ingresados | Mortalidad por cualquier causa a 90 días, con un aviso al médico de los pacientes con ECG de alto riesgo | 3,6% frente a 4,3% (HR 0,83; IC 95% 0,70 a 0,99). En los ECG de alto riesgo, HR 0,69 (IC 95% 0,53 a 0,90) |
| Estudio DULCE (Simonetto et al., Nat Med 2026) | Aleatorizado por grupos: 98 equipos de atención primaria; 15.596 adultos con un ECG de rutina | Diagnóstico nuevo de enfermedad hepática crónica con fibrosis avanzada en 180 días | 1,0% frente a 0,5% (OR 2,09; IC 95% 1,22 a 3,55) |
Cómo se desarrolló el algoritmo de la FEVI baja
Attia et al. (Nat Med 2019). Desarrollo retrospectivo con los ECG de 12 derivaciones y los ecocardiogramas de 44.959 pacientes de la Clínica Mayo, para una FEVI ≤35%. En 52.870 pacientes distintos: área bajo la curva 0,93, sensibilidad 86,3% y especificidad 85,7%. Sin disfunción ventricular, un resultado positivo se asoció a un riesgo cuatro veces mayor de desarrollarla (HR 4,1; IC 95% 3,3 a 5,0). Es el algoritmo que evaluó después el estudio EAGLE.
Lo que no midieron
- EAGLE, Tsai et al. y DULCE midieron diagnósticos nuevos, no ingresos ni mortalidad.
- En el estudio CARDIOLOGIST aumentó la prescripción de anticoagulantes, sin diferencias en ictus ni en mortalidad.
- En el estudio de Lin et al., la diferencia en la muerte cardiaca de los pacientes de alto riesgo (0,2% frente a 2,4%) es una variable secundaria; según sus autores, el mecanismo por el que bajó la mortalidad está por aclarar.
- En el estudio TRICORDER, implantar el estetoscopio con inteligencia artificial en la atención primaria no aumentó los diagnósticos de insuficiencia cardiaca a los 12 meses.
La FA que no se ve en un ECG en ritmo sinusal: un algoritmo estima la probabilidad de que la persona tenga o vaya a tener FA y se usa para elegir a quién monitorizar.
| Estudio | Diseño y población | Resultado |
|---|---|---|
| Attia et al. (Lancet 2019) | Desarrollo retrospectivo: 180.922 pacientes con 649.931 ECG en ritmo sinusal de la Clínica Mayo | Un solo ECG en ritmo sinusal identificó a los pacientes con FA con un área bajo la curva de 0,87, sensibilidad 79,0% y especificidad 79,5% |
| Estudio BEAGLE (Noseworthy et al., Lancet 2022) | Prospectivo, intervencionista y no aleatorizado: 1.003 pacientes de edad media 74 años con factores de riesgo de ictus y sin FA conocida, con un monitor continuo hasta 30 días (media 22,3 días) | FA nueva en el 7,6% de los clasificados de alto riesgo por el algoritmo y en el 1,6% de los de bajo riesgo (OR 4,98; IC 95% 2,11 a 11,75). Frente a pacientes emparejados con la práctica habitual, en el grupo de alto riesgo, 10,6% frente a 3,6% |
| Estudio VITAL-AF, análisis secundario (Vedage et al., J Am Coll Cardiol 2026) | Análisis de un estudio aleatorizado por grupos de cribado de la FA con ECG de una derivación en mayores de 65 años; 16.937 participantes con un ECG previo | Para la FA a 2 años, área bajo la curva de 0,711 con una escala clínica, 0,784 con el algoritmo sobre el ECG y 0,788 con los dos. El cribado aumentó los diagnósticos de FA solo en el decil de mayor riesgo del modelo combinado (2,32 por 100 personas-año más; 43 cribados al año por cada diagnóstico) |
Algoritmos desarrollados y validados con ECG ya registrados, sin estudio prospectivo publicado que mida su efecto en la práctica. Los autores de los estudios de la edad del ECG de Attia et al., de la hiperpotasemia y de la miocardiopatía hipertrófica piden más validación o estudios prospectivos.
La edad del ECG
- Attia et al. (Circ Arrhythm Electrophysiol 2019). Una red entrenada con el ECG de 12 derivaciones de 499.727 pacientes estimó en otros 275.056 la edad con un error medio de 6,9 ± 5,6 años y el sexo con un área bajo la curva de 0,97. Una edad estimada más de 7 años por encima de la real se asoció a FEVI baja, hipertensión y enfermedad coronaria.
- Lima et al. (Nat Commun 2021), estudio CODE. Con 1.558.415 pacientes de Brasil, una edad del ECG más de 8 años por encima de la real se asoció a mayor mortalidad (HR 1,79) y más de 8 años por debajo, a menor (HR 0,78), con resultados similares en dos cohortes externas (ELSA-Brasil, 14.236 personas, y SaMi-Trop, 1.631) y también con ECG aparentemente normales.
La hiperpotasemia
Galloway et al. (JAMA Cardiol 2019). Una red entrenada con 1.576.581 ECG de 449.380 pacientes, con solo las derivaciones I y II, se validó en 61.965 pacientes con enfermedad renal crónica de grado 3 o superior y potasio medido en las 4 horas siguientes al ECG (umbral del estudio, 5,5 mmol/L; prevalencia de hiperpotasemia, 2,6% a 4,8%). Área bajo la curva de 0,853 a 0,883 en los tres centros; con una sensibilidad fijada en torno al 90%, la especificidad fue del 54,7% al 63,2%.
La miocardiopatía hipertrófica
Ko et al. (J Am Coll Cardiol 2020). Una red entrenada con el ECG de 2.448 pacientes con miocardiopatía hipertrófica y 51.153 controles, probada en otros 612 pacientes y 12.788 controles: área bajo la curva 0,96, sensibilidad 87% y especificidad 90%; 0,95 en los pacientes con un ECG normal.
El infarto por oclusión sin elevación del ST
Al-Zaiti et al. (Nat Med 2023). Estudio observacional de cohortes con 7.313 pacientes consecutivos con dolor torácico de varios centros, con derivación y validación externa del modelo. Según el resumen, superó a los clínicos y a los sistemas comerciales de interpretación, y combinado con el juicio del personal de urgencias reclasificó correctamente a uno de cada tres pacientes. Los criterios del ECG del infarto, en el ECG en urgencias.
En el registro de este ESPACIO, las recomendaciones sobre el ECG de una derivación y sobre el cribado de la FA son de la guía ESC 2024 de fibrilación auricular. Se refieren al registro y a quién lo lee, no al algoritmo.
- IASe recomienda confirmar con un electrocardiograma (de 12 derivaciones, de varias o de una sola derivación) para establecer el diagnóstico de fibrilación auricular clínica e iniciar la estratificación del riesgo y el tratamiento.
- IBSe recomienda que un médico revise el ECG (de 12 derivaciones, de una o de varias) para dar un diagnóstico definitivo de fibrilación auricular e iniciar el tratamiento.
- ICSe recomienda valorar el ritmo cardiaco de forma sistemática en cada contacto sanitario a partir de los 65 años, para detectar antes la fibrilación auricular.
- IIaBDebe considerarse el cribado poblacional con registro electrocardiográfico prolongado no invasivo a partir de los 75 años, o de los 65 con otros factores de riesgo del CHA2DS2-VA.
En el registro de este ESPACIO hay 403 recomendaciones con clase y nivel de 16 guías ESC vigentes en las que el ECG es el objeto de la recomendación o la decisión depende de él; ninguna se refiere a la inteligencia artificial. Todas, en lo que dicen las guías sobre el ECG.
En CardioTeca
- Artículo · 01/12/20251 de cada 3 informes automáticos de ECG se corrigen por el médico: qué y por qué
- Artículo · 05/05/2024Alertas de inteligencia artificial por alteración del ECG
- Artículo · 12/02/2026Utilidad de la IA para la detección de las alteraciones del potasio a través del ECG en urgencias
- Artículo · 01/09/2026Metaanálisis del ECG con inteligencia artificial en el infarto agudo
- Artículo · 30/08/2026Cribado de amiloidosis cardiaca por transtiretina con inteligencia artificial: dónde funciona el ECG y dónde no
- Artículo · 22/04/2025Estudio PRESENT-SHD: algoritmo de detección de cardiopatías estructurales basado en imágenes de electrocardiograma
- Artículo · 11/02/2024Tecnologías vestibles para la monitorización en medicina cardiovascular
- Vídeo · 05/09/2023¿Cómo monitorizar el ritmo cardiaco? Del Holter al reloj inteligente
- Vídeo · 17/01/2024Qué es la inteligencia artificial en el ámbito clínico
Para seguir en este ESPACIO
- Holter, monitor implantable o reloj: qué registra cada uno y cuándo se elige
- Lo que dicen las guías sobre el ECG
- La lectura en diez pasos: lo que hay que revisar del informe automático
- Glosario de ECG
Referencias
- Schläpfer J, Wellens HJ. Computer-interpreted electrocardiograms: benefits and limitations. J Am Coll Cardiol. 2017;70(9):1183-92. doi:10.1016/j.jacc.2017.07.723. PMID: 28838369.
- Bogun F, Anh D, Kalahasty G, Wissner E, Bou Serhal C, Bazzi R, et al. Misdiagnosis of atrial fibrillation and its clinical consequences. Am J Med. 2004;117(9):636-42. doi:10.1016/j.amjmed.2004.06.024. PMID: 15501200.
- Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-9. doi:10.1038/s41591-018-0268-3. PMID: 30617320.
- Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020;11(1):1760. doi:10.1038/s41467-020-15432-4. PMID: 32273514.
- Perez MV, Mahaffey KW, Hedlin H, Rumsfeld JS, Garcia A, Ferris T, et al. Large-scale assessment of a smartwatch to identify atrial fibrillation. N Engl J Med. 2019;381(20):1909-17. doi:10.1056/NEJMoa1901183. PMID: 31722151.
- Guo Y, Wang H, Zhang H, Liu T, Liang Z, Xia Y, et al. Mobile photoplethysmographic technology to detect atrial fibrillation. J Am Coll Cardiol. 2019;74(19):2365-75. doi:10.1016/j.jacc.2019.08.019. PMID: 31487545.
- Attia ZI, Harmon DM, Dugan J, Manka L, Lopez-Jimenez F, Lerman A, et al. Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction. Nat Med. 2022;28(12):2497-503. doi:10.1038/s41591-022-02053-1. PMID: 36376461.
- Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25(1):70-4. doi:10.1038/s41591-018-0240-2. PMID: 30617318.
- Yao X, Rushlow DR, Inselman JW, McCoy RG, Thacher TD, Behnken EM, et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat Med. 2021;27(5):815-9. doi:10.1038/s41591-021-01335-4. PMID: 33958795.
- Tsai DJ, Lin C, Liu WT, Lee CC, Chang CH, Lin WY, et al. Artificial intelligence-assisted diagnosis and prognostication in low ejection fraction using electrocardiograms in inpatient department: a pragmatic randomized controlled trial. BMC Med. 2025;23(1):342. doi:10.1186/s12916-025-04190-z. PMID: 40484925.
- Adedinsewo DA, Morales-Lara AC, Afolabi BB, Kushimo OA, Mbakwem AC, Ibiyemi KF, et al. Artificial intelligence guided screening for cardiomyopathies in an obstetric population: a pragmatic randomized clinical trial. Nat Med. 2024;30(10):2897-906. doi:10.1038/s41591-024-03243-9. PMID: 39223284.
- Kelshiker MA, Bächtiger P, Petri CF, Nakhare S, Mansell J, Chhatwal K, et al. Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial. Lancet. 2026;407(10529):704-15. doi:10.1016/S0140-6736(25)02156-7. PMID: 41619752.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019;394(10201):861-7. doi:10.1016/S0140-6736(19)31721-0. PMID: 31378392.
- Noseworthy PA, Attia ZI, Behnken EM, Giblon RE, Bews KA, Liu S, et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet. 2022;400(10359):1206-12. doi:10.1016/S0140-6736(22)01637-3. PMID: 36179758.
- Vedage NA, Friedman SF, Chang Y, Borowsky LH, Shah SJ, McManus DD, et al. Risk-guided atrial fibrillation screening with artificial intelligence-enabled electrocardiogram models: a VITAL-AF trial analysis. J Am Coll Cardiol. 2026;87(14):1798-813. doi:10.1016/j.jacc.2026.01.087. PMID: 41983618.
- Liu WT, Lin C, Lee CC, Chang CH, Fang WH, Tsai DJ, et al. Artificial intelligence-enabled ECGs for atrial fibrillation identification and enhanced oral anticoagulant adoption: a pragmatic randomized clinical trial. J Am Heart Assoc. 2025;14(14):e042106. doi:10.1161/JAHA.125.042106. PMID: 40611485.
- Lin CS, Liu WT, Tsai DJ, Lou YS, Chang CH, Lee CC, et al. AI-enabled electrocardiography alert intervention and all-cause mortality: a pragmatic randomized clinical trial. Nat Med. 2024;30(5):1461-70. doi:10.1038/s41591-024-02961-4. PMID: 38684860.
- Simonetto DA, Rushlow D, Liu K, Calleri A, Kassmeyer BA, Lennon RJ, et al. Detection of undiagnosed liver cirrhosis via AI-enabled electrocardiogram: a pragmatic, cluster-randomized clinical trial. Nat Med. 2026;32(1):160-7. doi:10.1038/s41591-025-04058-y. PMID: 41408416.
- Attia ZI, Friedman PA, Noseworthy PA, Lopez-Jimenez F, Ladewig DJ, Satam G, et al. Age and sex estimation using artificial intelligence from standard 12-lead ECGs. Circ Arrhythm Electrophysiol. 2019;12(9):e007284. doi:10.1161/CIRCEP.119.007284. PMID: 31450977.
- Lima EM, Ribeiro AH, Paixão GMM, Ribeiro MH, Pinto-Filho MM, Gomes PR, et al. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nat Commun. 2021;12(1):5117. doi:10.1038/s41467-021-25351-7. PMID: 34433816.
- Galloway CD, Valys AV, Shreibati JB, Treiman DL, Petterson FL, Gundotra VP, et al. Development and validation of a deep-learning model to screen for hyperkalemia from the electrocardiogram. JAMA Cardiol. 2019;4(5):428-36. doi:10.1001/jamacardio.2019.0640. PMID: 30942845.
- Ko WY, Siontis KC, Attia ZI, Carter RE, Kapa S, Ommen SR, et al. Detection of hypertrophic cardiomyopathy using a convolutional neural network-enabled electrocardiogram. J Am Coll Cardiol. 2020;75(7):722-33. doi:10.1016/j.jacc.2019.12.030. PMID: 32081280.
- Al-Zaiti SS, Martin-Gill C, Zègre-Hemsey JK, Bouzid Z, Faramand Z, Alrawashdeh MO, et al. Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction. Nat Med. 2023;29(7):1804-13. doi:10.1038/s41591-023-02396-3. PMID: 37386246.