Guías y evidencia
Lo que recomiendan las guías de cada prueba y lo que demuestran los estudios, separando lo validado de lo que se investiga, también en inteligencia artificial.
Aquí tienes qué está medido con estudios aleatorizados o prospectivos sobre los programas de inteligencia artificial en la imagen cardiaca, qué se investiga y qué exige Europa a un programa médico.
Lo que hace la inteligencia artificial en la imagen cardiaca, según el estudio que la midió
La barra de cada tarea dice hasta dónde ha llegado su validación, en cuatro pasos: desarrollo, validación externa, estudio prospectivo y estudio aleatorizado. Las cifras, de los resúmenes de cada estudio; ningún producto se nombra.
Qué está medido y qué se investiga sobre los programas de inteligencia artificial en la imagen cardiaca: cada estudio con su diseño, su población y su resultado, un cuadro por diseño. Ningún producto se nombra; las referencias completas, al final.
Los programas de inteligencia artificial que se han estudiado en la imagen cardiaca hacen, sobre todo, cinco tareas: medir (la FEVI, el strain, los volúmenes, el grosor de las paredes), segmentar las cavidades de la RM, puntuar el calcio coronario, calcular la FFR a partir del angio-TC y guiar la sonda de quien empieza. En los estudios aleatorizados de esta página, el resultado del programa lo revisaba después un médico o un técnico.
Medir la FEVI
Un algoritmo de aprendizaje profundo que lee los vídeos del ecocardiograma calculó la FEVI con un error medio absoluto del 4,1% en su centro y del 6,0% en otro sistema sanitario1. En un estudio aleatorizado y ciego, la FEVI inicial del programa, que después revisaba el cardiólogo, se cambió en más de 5 puntos en el 16,8% de los estudios, frente al 27,2% cuando la medía el técnico2 (abajo, en los estudios aleatorizados).
Medir el strain
Un programa midió el strain longitudinal global sin intervención del operador en 200 pacientes, en 15 segundos por estudio, con una diferencia media de −1,4 puntos frente al método semiautomático (límites de acuerdo de 2,3 a −5,1), del orden de la que hay entre equipos de distintos fabricantes3. En una validación externa con 3.741 estudios analizados, la correlación con la medida manual fue de 0,844. En 92 pacientes con cáncer de mama tratados con antraciclinas o con tratamientos dirigidos contra HER2 y seguidos de forma prospectiva, el programa dio valores absolutos algo más bajos que los expertos (17,7% frente a 18,4%) y encontró la disfunción cardiaca por el tratamiento en una proporción parecida (34,8% frente a 31,5%); los autores advierten de que esa diferencia puede cambiar la clasificación de los casos que están cerca del umbral5. El strain y cómo se mide, en C4 · Deformación miocárdica (strain) y ecocardiografía tridimensional.
Segmentar la RM
Una red neuronal entrenada y evaluada con 4.875 personas del UK Biobank midió el volumen telediastólico del ventrículo izquierdo con una diferencia media absoluta de 6,1 mL frente a la medida manual, y la masa, con una de 6,9 g6. En 110 pacientes de 5 centros a los que se repitió la RM (el 96%, en menos de una semana), la precisión de la FEVI del programa fue parecida a la de los clínicos (coeficiente de variación del 8,8%, frente al 6,1% del experto y al 8,3% del clínico formado) y midió 186 veces más rápido7.
Puntuar el calcio coronario
Un programa puntuó el calcio del TC sincronizado con un acuerdo casi completo con la puntuación manual (kappa 0,89) y en 3,5 segundos frente a 261; otro lo hizo en el TC de tórax sin sincronizar, hecho por otro motivo8. Avisar del calcio que encuentra un programa así en TC de tórax antiguos aumentó la prescripción de estatinas en un estudio aleatorizado (abajo). Los valores del calcio, en B6 · Valores del TC cardiaco.
Calcular la FFR a partir del angio-TC
La FFR por TC la calcula un programa a partir de las imágenes del angio-TC coronario. Se lee en la lesión, de 1 a 2 cm por debajo de la estenosis: 0,75 o menos indica isquemia; de 0,76 a 0,80 es dudosa, y más de 0,80, negativa (CAD-RADS 2.0). La guía ESC 2024 de síndromes coronarios crónicos dice que puede considerarse cuando el angio-TC muestra una estenosis coronaria intermedia en un segmento proximal o medio IIbB. Los cortes y el documento de la SCCT y la SCAI de 2026, en B6 · Valores del TC cardiaco; cómo se hace, en C6 · El TC cardiaco.
Guiar la sonda de quien empieza
Un programa que indica en tiempo real cómo mover la sonda permitió a enfermeras sin experiencia en ecografía obtener estudios de calidad diagnóstica para el tamaño y la función del ventrículo izquierdo y el derrame pericárdico en el 98,8% de 240 pacientes9; en otro estudio, en el 100% de 24010. La ecografía a pie de cama y su formación, en C5 · Ecografía clínica a pie de cama.
Asignaron al azar los ecocardiogramas, los días de trabajo o los pacientes a usar el programa o a la práctica habitual. Midieron cómo cambia lo que se mide, lo que se decide o lo que se trata; la muerte y el infarto entraron en la variable principal combinada del estudio PRECISE y como variable secundaria en el estudio FORECAST.
| Estudio | Diseño y población | Qué se midió | Resultado |
|---|---|---|---|
| He et al. (Nature 2023) | Aleatorizado, ciego y de no inferioridad: la FEVI inicial la medía el programa o el técnico, y el cardiólogo la revisaba sin saber quién; de 3.769 estudios, 274 se excluyeron por la calidad de la imagen | Estudios en los que el cardiólogo cambió la FEVI inicial en más de 5 puntos | 16,8% con el programa frente a 27,2% con el técnico (diferencia −10,4%; IC 95% −13,2% a −7,7%): no inferior y superior. Los cardiólogos no distinguían qué valoración inicial era del programa |
| Estudio AI-Echo (Sakamoto et al., J Am Heart Assoc 2026)11 | Aleatorizado y cruzado por días, en un centro: 4 técnicos con medición automática o con el trabajo manual; 585 pacientes en 38 días | Tiempo por estudio y estudios al día | 13,0 frente a 14,3 minutos por estudio y 16,7 frente a 14,1 estudios al día; 85 parámetros medidos por estudio frente a 25. Las medidas del programa quedaron dentro de límites clínicos aceptables en el 90% de los parámetros que validó el experto |
| Estudio PROTEUS (Upton et al., NEJM AI 2024)12 | Aleatorizado, en 20 centros del Reino Unido: 2.341 participantes con un ecocardiograma de estrés, decidido con la ayuda del programa o sin ella; 2.213 completaron 6 meses | Derivación adecuada a coronariografía (enfermedad grave que necesitó revascularización; evento coronario agudo en 6 meses en los no derivados) | Área bajo la curva 0,63 con el programa frente a 0,55 sin él: no alcanzó el margen de no inferioridad prefijado (diferencia 0,09; IC 95% −0,22 a 0,39). Sensibilidad 64,2% frente a 55,1% y especificidad 98,6% frente a 99,2% |
| Estudio FORECAST (Curzen et al., Eur Heart J 2021)13 | Aleatorizado, en 11 centros: 1.400 pacientes con dolor torácico estable, angio-TC con FFR por TC selectiva o la práctica habitual | Coste cardiaco total a 9 meses | Sin diferencia significativa en el coste (+8%; IC 95% −8% a +23%) ni en los eventos cardiacos y cerebrovasculares mayores (10,2% frente a 10,6%); menos coronariografías con la FFR por TC (19% frente a 25%) |
| Estudio PRECISE (Douglas et al., JAMA Cardiol 2023)14 | Aleatorizado y pragmático, en 65 centros de Norteamérica y Europa: 2.103 participantes con síntomas estables; aplazar la prueba si el riesgo era mínimo y, si no, angio-TC con FFR por TC selectiva, o la prueba habitual | Cateterismo sin enfermedad obstructiva o muerte o infarto | 4,2% frente a 11,3% (HR 0,35; IC 95% 0,25 a 0,50); cateterismo sin enfermedad obstructiva, 2,6% frente a 10,2%; muerte o infarto, sin diferencia significativa (HR 1,52; IC 95% 0,73 a 3,15) |
| Proyecto NOTIFY-1 (Sandhu et al., Circulation 2023)15 | Proyecto de mejora aleatorizado, en un sistema sanitario: un algoritmo, con la confirmación del radiólogo, buscó calcio coronario en TC de tórax sin sincronizar de 2014 a 2019; 173 pacientes con calcio y sin enfermedad aterosclerótica conocida ni estatina | Prescripción de estatina a los 6 meses al avisar al médico y al paciente, o no | 51,2% (44 de 86) frente a 6,9% (6 de 87); más pruebas coronarias en el grupo avisado (15,1% frente a 2,3%) |
Lo que no midieron
El estudio de He et al. midió cuánto cambia el cardiólogo la FEVI, no la evolución de los pacientes. En los estudios FORECAST y PRECISE, la FFR por TC formaba parte de una estrategia de pruebas: no se aleatorizó el programa solo, y los autores de PRECISE piden más estudios aleatorizados que confirmen sus resultados, también los de seguridad. El proyecto NOTIFY-1 midió la prescripción de estatinas; sus autores dicen que falta saber si reduce los eventos. El estudio PROTEUS no alcanzó su objetivo; un análisis de subgrupos sugiere beneficio en los centros con pocos estudios de estrés.
Estudios que aplicaron el programa a pacientes de la práctica clínica y lo compararon con la referencia o con un grupo sin él, sin asignarlos al azar.
| Estudio | Diseño y población | Resultado |
|---|---|---|
| Narang et al. (JAMA Cardiol 2021) | Prospectivo, en 2 hospitales: 8 enfermeras sin experiencia en ecografía, con la guía del programa, frente a técnicos de ecocardiografía sin ella, en 240 pacientes; cinco ecocardiografistas valoraron los estudios sin saber quién los había hecho | Calidad diagnóstica para el tamaño y la función del ventrículo izquierdo y para el derrame pericárdico en 237 de 240 (98,8%), y para el tamaño del ventrículo derecho en 222 de 240 (92,5%) |
| Trost et al. (JACC Adv 2025) | Prospectivo, internacional y sin aleatorizar, en 2 centros: enfermeras sin experiencia con la guía del programa y expertos sin ella, en 240 pacientes | Calidad suficiente para los cuatro objetivos principales en el 100% de los estudios de las enfermeras |
| Lee et al. (JAMA Cardiol 2026)16 | Desarrollo retrospectivo y evaluación prospectiva: ecocardioscopia guiada por el programa, hecha por principiantes en 1.302 pacientes, para detectar una estenosis aórtica moderada o mayor | 1.258 de 1.302 estudios (96,6%) analizables; sensibilidad del 93% (IC 95% 82 a 99) y especificidad del 96% (95 a 97). Revisar por un experto los positivos y los no interpretables subió el valor predictivo positivo del 49,4% al 91,1%, con una sensibilidad del 85,4% |
| Saijo et al. (Eur Heart J Digit Health 2026) | Prospectivo y observacional: 92 pacientes con cáncer de mama tratados con antraciclinas o con tratamientos dirigidos contra HER2, con un ecocardiograma al inicio y cada 12 semanas (456 estudios); el strain longitudinal global, medido por dos expertos y por el programa | Valores absolutos más bajos con el programa (17,7% frente a 18,4%; correlación de 0,64); disfunción cardiaca por el tratamiento en el 34,8% con el programa y en el 31,5% con los expertos, con un acuerdo de kappa 0,68. Los autores advierten de que la diferencia puede cambiar la clasificación de los casos que están cerca del umbral |
| Estudio PLATFORM (Douglas et al., J Am Coll Cardiol 2016)17 | Cohortes consecutivas, sin aleatorizar: 584 pacientes con dolor torácico estable de comienzo reciente, con la prueba habitual (287) o con angio-TC y FFR por TC selectiva (297) | Al año, eventos poco frecuentes (dos en cada grupo entre los que tenían prevista una coronariografía); en ese estrato, coste medio un 33% menor con el angio-TC y la FFR por TC selectiva; mejoría parecida de la calidad de vida |
| Jain et al. (JAMA Cardiol 2026)18 | Estudio clínico sin aleatorizar, de un solo grupo y abierto, en varios centros de un sistema sanitario: un programa con el ECG, las medidas del ecocardiograma y otros datos señalaba a quien tenía la pared de 12 mm o más y una puntuación alta | De 256 pacientes que cumplían los criterios, se estudiaron 50 con el acuerdo del médico y del paciente: 24 (48%) tenían amiloidosis por transtiretina, más de 2,8 veces la positividad de los controles históricos (15,3%). Los autores piden estudios aleatorizados para saber si mejora la evolución |
Programas desarrollados y validados con exploraciones ya hechas, sin un estudio prospectivo publicado que mida su efecto en la práctica. Lo que falta por saber en todos: si cambian las decisiones o la evolución de los pacientes y cómo funcionan con otros equipos y otras poblaciones.
La amiloidosis cardiaca
Con el ecocardiograma, un programa detectó la amiloidosis con un estadístico C de 0,89 a 1,00 en cinco centros19. Otro, con un solo vídeo apical de cuatro cámaras, en una validación externa en 18 centros (597 pacientes con amiloidosis y 2.122 controles), tuvo un área bajo la curva de 0,93, una sensibilidad del 85% y una especificidad del 93%, después de retirar el 13% de predicciones dudosas20. En la gammagrafía ósea de cuerpo entero, un programa encontró la captación cardiaca de grado de Perugini 2 o más con una sensibilidad del 96,1% y una especificidad del 99,5% en una validación externa de 1.633 imágenes21. Los grados de Perugini, en B7 · Valores de la cardiología nuclear.
La estenosis aórtica
Con el vídeo paraesternal de eje largo, sin Doppler, un programa detectó la estenosis aórtica grave con un área bajo la curva de 0,978 en su hospital y de 0,952 y 0,942 en dos cohortes de otros hospitales22. Un programa que interpreta el estudio transtorácico entero (39 diagnósticos y medidas) estimó la FEVI con un error medio absoluto del 4,5% fuera de su centro23.
La hipertrofia y su causa
En 23.745 pacientes, un programa midió el septo con un error medio absoluto de 1,2 mm y distinguió la amiloidosis (área bajo la curva de 0,83) y la miocardiopatía hipertrófica (0,98) de otras causas de hipertrofia; en un centro externo, 0,79 y 0,8924.
La placa coronaria y el riesgo
En 3.711 participantes del estudio ISCHEMIA, con enfermedad coronaria extensa (el 79%, de varios vasos), el volumen total de placa que cuantificó un programa en el angio-TC se asoció a la muerte cardiovascular o el infarto (HR 1,56 por cada 559 mm³) y, añadido a los factores de riesgo, mejoró poco la predicción (área bajo la curva a los 4 años, 0,654 frente a 0,608)25.
La perfusión del SPECT
En 1.638 pacientes de 9 centros, sin enfermedad coronaria conocida y con una coronariografía en los 6 meses siguientes, un programa predijo la enfermedad coronaria obstructiva con un área bajo la curva de 0,80 por paciente, frente a 0,78 del déficit de perfusión total26.
El TC antes de la TAVI
En 100 TC, las medidas del anillo de un programa automático se correlacionaron con las de los expertos (0,97 en el perímetro y en el área), y la talla de la prótesis que proponía coincidió con la implantada en el 87%-88% de las autoexpandibles y en el 88% de las expandibles con balón27.
Ninguna de las 562 recomendaciones con clase y nivel de las 23 guías ESC vigentes que recoge este ESPACIO nombra la inteligencia artificial ni el aprendizaje automático. La FFR por TC, que calcula un programa, tiene la suya en la guía de síndromes coronarios crónicos de 2024 IIbB. Todas, en I1 · Lo que dicen las guías sobre cada prueba de imagen.
| Documento | Quién lo firma | Lo que dice |
|---|---|---|
| Documento de posición de 2021 sobre la inteligencia artificial en la imagen cardiovascular multimodal con SPECT-TC, PET-TC y TC28 | Asociación Europea de Imagen Cardiovascular (EACVI) y Asociación Europea de Medicina Nuclear (EANM) | Los conceptos del aprendizaje automático y del aprendizaje profundo, los métodos y las estrategias para llevarlos a la práctica clínica en la cardiología nuclear, la imagen híbrida y el TC |
| Declaración científica de 2025 sobre la inteligencia artificial en el TC y la RM cardiacos29 | ESCR, EuSoMII, NASCI, SCCT, SCMR, SIIM y RSNA | Cada paso del trabajo, de elegir la prueba al informe, con las herramientas en distinto grado de desarrollo y una escala de madurez tecnológica de 1 a 9; también los aspectos éticos, legales y de sostenibilidad ambiental |
| Declaración de consenso de 2026 sobre el angio-TC con inteligencia artificial para individualizar el tratamiento de la aterosclerosis30 | Grupo de estudio Quantitative Cardiovascular Imaging (QCI), por el método Delphi; no es una sociedad | Percentiles de la placa por edad y sexo con datos de los estudios DISCHARGE y SCOT-HEART; propone tratamiento farmacológico ante cualquier placa y de alta intensidad desde el percentil 70 del volumen total de placa, como base de estudios futuros |
Un programa que su fabricante destina a dar información para decisiones de diagnóstico o de tratamiento es un producto sanitario. Según la regla 11 del anexo VIII del Reglamento (UE) 2017/745, es de clase IIa; de clase IIb si esas decisiones pueden causar un deterioro grave del estado de salud o una intervención quirúrgica, y de clase III si pueden causar la muerte o un deterioro irreversible. Desde la clase IIa, su evaluación de la conformidad para el marcado CE pasa por un organismo notificado (artículo 52).
El Reglamento (UE) 2024/1689, de inteligencia artificial, considera de alto riesgo el sistema que es en sí un producto, o el componente de seguridad de un producto, regulado por la legislación de su anexo I, en la que está el Reglamento de productos sanitarios, cuando ese producto necesita la evaluación de la conformidad de un tercero (artículo 6, apartado 1). El Reglamento (UE) 2026/1744, de 8 de julio de 2026, retrasó al 2 de agosto de 2028 la aplicación de las obligaciones de esos sistemas de alto riesgo del anexo I.
Esta página no nombra ningún producto: un programa se describe por lo que hace y por el estudio que lo midió.
- Reglamento (UE) 2017/745 del Parlamento Europeo y del Consejo, de 5 de abril de 2017, sobre los productos sanitarios. Anexo VIII, regla 11, y artículo 52. EUR-Lex
- Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Artículo 6, apartado 1, y anexo I, sección A, punto 11. EUR-Lex
- Reglamento (UE) 2026/1744 del Parlamento Europeo y del Consejo, de 8 de julio de 2026 (ómnibus digital sobre la inteligencia artificial), publicado en el Diario Oficial el 24/07/2026. Artículo 1, punto 40, que cambia el artículo 113 del Reglamento (UE) 2024/1689. EUR-Lex
En CardioTeca
- Artículo · 11/02/2026IA aplicada a la angiotomografía coronaria: nuevo paradigma en la evaluación pronóstica de la carga de placa
- Artículo · 30/08/2026Cribado de estenosis aórtica con inteligencia artificial: ecografía útil en manos sin experiencia
- Artículo · 01/09/2026El estudio SCAPIS mide la placa coronaria con inteligencia artificial y encuentra riesgo con calcio cero
- ESPACIO de ECGECG e inteligencia artificial: lo validado y lo emergente
- Vídeo · 17/01/2024Qué es la inteligencia artificial en el ámbito clínico
- Artículo · 25/06/2026La OMS revela los retos y oportunidades de la IA en los sistemas sanitarios europeos
Para seguir en este ESPACIO
- I1 · Lo que dicen las guías sobre cada prueba de imagen
- I2 · Los estudios que cambiaron cómo se usa la imagen
- B6 · Valores del TC cardiaco: calcio, CAD-RADS y FFR por TC
- C5 · Ecografía clínica a pie de cama y ecocardioscopia
- G1 · Glosario de siglas y términos de imagen
Referencias
- Ouyang D, He B, Ghorbani A, Yuan N, Ebinger J, Langlotz CP, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020;580(7802):252-6.
- He B, Kwan AC, Cho JH, Yuan N, Pollick C, Shiota T, et al. Blinded, randomized trial of sonographer versus AI cardiac function assessment. Nature. 2023;616(7957):520-4.
- Salte IM, Østvik A, Smistad E, Melichova D, Nguyen TM, Karlsen S, et al. Artificial intelligence for automatic measurement of left ventricular strain in echocardiography. JACC Cardiovasc Imaging. 2021;14(10):1918-28.
- Myhre PL, Hung CL, Frost MJ, Jiang Z, Ouwerkerk W, Teramoto K, et al. External validation of a deep learning algorithm for automated echocardiographic strain measurements. Eur Heart J Digit Health. 2024;5(1):60-8.
- Saijo Y, Zheng R, Okushi Y, Nomura Y, Hirata Y, Inoue H, et al. Fully automated artificial intelligence-based echocardiographic analysis for global longitudinal strain monitoring and cancer therapy-related cardiac dysfunction detection in breast cancer patients. Eur Heart J Digit Health. 2026;7(6):ztag097.
- Bai W, Sinclair M, Tarroni G, Oktay O, Rajchl M, Vaillant G, et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks. J Cardiovasc Magn Reson. 2018;20(1):65.
- Bhuva AN, Bai W, Lau C, Davies RH, Ye Y, Bulluck H, et al. A multicenter, scan-rescan, human and machine learning CMR study to test generalizability and precision in imaging biomarker analysis. Circ Cardiovasc Imaging. 2019;12(10):e009214.
- Eng D, Chute C, Khandwala N, Rajpurkar P, Long J, Shleifer S, et al. Automated coronary calcium scoring using deep learning with multicenter external validation. NPJ Digit Med. 2021;4(1):88.
- Narang A, Bae R, Hong H, Thomas Y, Surette S, Cadieu C, et al. Utility of a deep-learning algorithm to guide novices to acquire echocardiograms for limited diagnostic use. JAMA Cardiol. 2021;6(6):624-32.
- Trost B, Rodrigues L, Ong C, Dezellus A, Goldberg YH, Bouchat M, et al. Artificial intelligence empowers novice users to acquire diagnostic-quality echocardiography. JACC Adv. 2025;4(8):102005.
- Sakamoto A, Kagiyama N, Sato E, Nakamura Y, Murata A, Kaneko T, et al. Artificial intelligence-based automated echocardiographic analysis and the workflow of sonographers: a randomized crossover trial (AI-Echo RCT). J Am Heart Assoc. 2026;15(1):e045637.
- Upton R, Akerman AP, Marwick TH, Johnson CL, Piotrowska H, Bajre M, et al. PROTEUS: a prospective RCT evaluating use of AI in stress echocardiography. NEJM AI. 2024;1(11):AIoa2400865.
- Curzen N, Nicholas Z, Stuart B, Wilding S, Hill K, Shambrook J, et al. Fractional flow reserve derived from computed tomography coronary angiography in the assessment and management of stable chest pain: the FORECAST randomized trial. Eur Heart J. 2021;42(37):3844-52.
- Douglas PS, Nanna MG, Kelsey MD, Yow E, Mark DB, Patel MR, et al. Comparison of an initial risk-based testing strategy vs usual testing in stable symptomatic patients with suspected coronary artery disease: the PRECISE randomized clinical trial. JAMA Cardiol. 2023;8(10):904-14.
- Sandhu AT, Rodriguez F, Ngo S, Patel BN, Mastrodicasa D, Eng D, et al. Incidental coronary artery calcium: opportunistic screening of previous nongated chest computed tomography scans to improve statin rates (NOTIFY-1 Project). Circulation. 2023;147(9):703-14.
- Lee E, Naser JA, Kane CJ, Kovac JL, Greason C, Killalea MM, et al. Artificial intelligence-enabled acquisition and interpretation for screening aortic stenosis. JAMA Cardiol. 2026;11(11):1130-8.
- Douglas PS, De Bruyne B, Pontone G, Patel MR, Norgaard BL, Byrne RA, et al. 1-year outcomes of FFRCT-guided care in patients with suspected coronary disease: the PLATFORM study. J Am Coll Cardiol. 2016;68(5):435-45.
- Jain SS, Sun T, Pierson E, Roedan Oliver F, Malta P, Castillo M, et al. Detecting transthyretin cardiac amyloidosis with artificial intelligence: a nonrandomized clinical trial. JAMA Cardiol. 2026;11(2):117-24.
- Goto S, Mahara K, Beussink-Nelson L, Ikura H, Katsumata Y, Endo J, et al. Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nat Commun. 2021;12(1):2726.
- Slivnick JA, Hawkes W, Oliveira J, Woodward G, Akerman A, Gomez A, et al. Cardiac amyloidosis detection from a single echocardiographic video clip: a novel artificial intelligence-based screening tool. Eur Heart J. 2025;46(40):4090-101.
- Delbarre MA, Girardon F, Roquette L, Blanc-Durand P, Hubaut MA, Hachulla É, et al. Deep learning on bone scintigraphy to detect abnormal cardiac uptake at risk of cardiac amyloidosis. JACC Cardiovasc Imaging. 2023;16(8):1085-95.
- Holste G, Oikonomou EK, Mortazavi BJ, Coppi A, Faridi KF, Miller EJ, et al. Severe aortic stenosis detection by deep learning applied to echocardiography. Eur Heart J. 2023;44(43):4592-604.
- Holste G, Oikonomou EK, Tokodi M, Kovács A, Wang Z, Khera R. Complete AI-enabled echocardiography interpretation with multitask deep learning. JAMA. 2025;334(4):306-18.
- Duffy G, Cheng PP, Yuan N, He B, Kwan AC, Shun-Shin MJ, et al. High-throughput precision phenotyping of left ventricular hypertrophy with cardiovascular deep learning. JAMA Cardiol. 2022;7(4):386-95.
- Nurmohamed NS, Min JK, Anthopolos R, Reynolds HR, Earls JP, Crabtree T, et al. Atherosclerosis quantification and cardiovascular risk: the ISCHEMIA trial. Eur Heart J. 2024;45(36):3735-47.
- Betancur J, Commandeur F, Motlagh M, Sharir T, Einstein AJ, Bokhari S, et al. Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study. JACC Cardiovasc Imaging. 2018;11(11):1654-63.
- Toggweiler S, Wyler von Ballmoos MC, Moccetti F, Douverny A, Wolfrum M, Imamoglu Z, et al. A fully automated artificial intelligence-driven software for planning of transcatheter aortic valve replacement. Cardiovasc Revasc Med. 2024;65:25-31.
- Slart RHJA, Williams MC, Juarez-Orozco LE, Rischpler C, Dweck MR, Glaudemans AWJM, et al. Position paper of the EACVI and EANM on artificial intelligence applications in multimodality cardiovascular imaging using SPECT/CT, PET/CT, and cardiac CT. Eur J Nucl Med Mol Imaging. 2021;48(5):1399-413.
- Mastrodicasa D, van Assen M, Huisman M, Leiner T, Williamson EE, Nicol ED, et al. Use of AI in cardiac CT and MRI: a scientific statement from the ESCR, EuSoMII, NASCI, SCCT, SCMR, SIIM, and RSNA. Radiology. 2025;314(1):e240516.
- Schulze K, Stantien AM, Williams MC, Vassiliou VS, Giannopoulos AA, Nieman K, et al. Coronary CT angiography evaluation with artificial intelligence for individualized medical treatment of atherosclerosis: a Consensus Statement from the QCI Study Group. Nat Rev Cardiol. 2026;23(2):100-15.
