Publicado en: Esprint Investigación

Fecha de Publicación: 2026-01-16

Volumen: 5

Número: 1

Año: 2026

DOI URL: https://doi.org/10.61347/ei.v5i1.234

Autores:

• Alexander David Sandoval Vela. https://orcid.org/0009-0003-6851-2379
• Diego Paul Corrales Vargas. https://orcid.org/0009-0004-5120-0616
• Jorge Luis Choca Alcocer. https://orcid.org/0009-0006-2905-0249
• María Augusta Chafla Romero. https://orcid.org/0000-0003-0344-5526

Palabras clave: Aprendizaje profundo; arritmia cardíaca; electrocardiograma; Inteligencia Artificial

Resumen

El diagnóstico de las arritmias cardíacas sigue siendo un reto clínico debido a la dependencia de la interpretación manual del electrocardiograma, la variabilidad entre evaluadores y la dificultad para identificar eventos arrítmicos complejos o intermitentes. En este contexto, la inteligencia artificial ha surgido como una alternativa prometedora para mejorar el análisis automatizado de señales cardíacas; no obstante, su impacto clínico y sus limitaciones requieren una evaluación sistemática. El objetivo de esta revisión fue analizar la aplicación de la inteligencia artificial en la detección y diagnóstico de arritmias cardíacas mediante el análisis automatizado del electrocardiograma, considerando su influencia en la precisión diagnóstica, la toma de decisiones clínicas y la eficiencia del proceso diagnóstico. Se realizó una revisión sistemática de la literatura con un enfoque cualitativo y un alcance descriptivo–analítico, siguiendo las directrices PRISMA 2020. La búsqueda en la base de datos Scopus identificó un total de 201 estudios publicados entre 2020 y 2025, de los cuales 20 fueron incluidos en el análisis final. Los resultados muestran un predominio de modelos de aprendizaje profundo, especialmente redes neuronales convolucionales, recurrentes y arquitecturas híbridas, con altos niveles de precisión, sensibilidad y exactitud, frecuentemente superiores al 95% y comparables a los de cardiólogos expertos. La implementación de estas tecnologías se asocia con diagnósticos más oportunos, detección temprana de arritmias y mayor eficiencia clínica; sin embargo, persisten limitaciones como el elevado costo computacional, la limitada validación externa, la baja interpretabilidad de los modelos y las dificultades de generalización poblacional, lo que evidencia la necesidad de una integración clínica responsable, gradual y debidamente validada.

Abstract

The diagnosis of cardiac arrhythmias remains a clinical challenge due to reliance on manual interpretation of the electrocardiogram, inter-observer variability, and the difficulty of identifying complex or intermittent arrhythmic events; in this context, artificial intelligence has emerged as a promising alternative to enhance the automated analysis of cardiac signals, although its clinical impact and limitations require systematic evaluation. The objective of this review was to analyze the application of artificial intelligence in the detection and diagnosis of cardiac arrhythmias through automated electrocardiogram analysis, considering its influence on diagnostic accuracy, clinical decision-making, and the efficiency of the diagnostic process. A systematic review of the literature was conducted using a qualitative approach and a descriptive–analytical scope, following the PRISMA 2020 guidelines. The search of the Scopus database identified a total of 201 studies published between 2020 and 2025, of which 20 were included in the final analysis. The results show a predominance of deep learning models, particularly convolutional and recurrent neural networks and hybrid architecture, with high levels of accuracy, sensitivity, and precision, frequently exceeding 95% and comparable to those of expert cardiologists. The implementation of these technologies is associated with more timely diagnoses, early detection of arrhythmias, and greater clinical efficiency; however, limitations persist, including high computational cost, limited external validation, low model interpretability, and difficulties in population generalization, highlighting the need for responsible, gradual, and adequately validated clinical integration.