https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
58
Artículo de revisión
Inteligencia artificial y arritmia cardiaca: una revisión
sistemática
Artificial intelligence and cardiac arrhythmia: a systematic review
Alexander David Sandoval Vela*
Universidad Técnica de Babahoyo
Babahoyo - Ecuador
asandovalv@utb.edu.ec
https://orcid.org/0009-0003-6851-2379
Diego Paul Corrales Vargas
Develops Corrales
Latacunga - Ecuador
developscorrales@gmail.com
https://orcid.org/0009-0004-5120-0616
Jorge Luis Choca Alcocer
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
luis.choca@espoch.edu.ec
https://orcid.org/0009-0006-2905-0249
María Augusta Chafla Romero
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
augusta.chafla@espoch.edu.ec
https://orcid.org/0000-0003-0344-5526
*Correspondencia:
asandovalv@utb.edu.ec
Cómo citar este artículo:
Sandoval, A., Corrales, D., Choca, J., &
Chafla, M. (2026). Inteligencia artificial y
arritmia cardiaca: una revisión sistemática.
Esprint Investigación, 5(1), 58-74.
https://doi.org/10.61347/ei.v5i1.234
Recibido: 11 de diciembre de 2025
Aceptado: 13 de enero de 2026
Publicado: 16 de enero de 2026
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.
Palabras clave: Aprendizaje profundo, arritmia cardíaca, electrocardiograma,
Inteligencia Artificial.
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.
Keywords: Artificial Intelligence, cardiac arrhythmia, deep learning, electrocardiogram.
Copyright: Derechos de autor 2026
Alexander David Sandoval Vela, Diego Paul
Corrales Vargas, Jorge Luis Choca Alcocer,
María Augusta Chafla Romero.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 59
1. Introducción
El diagnóstico de las arritmias cardíacas continúa siendo un desafío clínico debido a la dependencia
de la interpretación manual del electrocardiograma (ECG), la falta de concordancia entre evaluadores
y la dificultad para detectar eventos arrítmicos complejos o intermitentes (Salinas-Arce et al., 2022;
Patiño et al., 2023). Aunque la inteligencia artificial ha surgido como una herramienta prometedora
para el análisis automatizado de señales cardíacas, persisten limitaciones relacionadas con su
validación clínica, su generalización poblacional y su integración en la práctica asistencial, lo que
dificulta establecer su impacto real en la toma de decisiones clínicas y en los resultados en salud (Jamil
& Rahman, 2022; Dhanka & Maini, 2025).
Las arritmias cardíacas comprenden un amplio espectro de trastornos del ritmo que afectan la
frecuencia, la regularidad y la secuencia de activación eléctrica del corazón. Estas alteraciones pueden
manifestarse de forma transitoria y benigna o evolucionar hacia cuadros graves y potencialmente letales,
capaces de comprometer la función hemodinámica y aumentar el riesgo de eventos cardiovasculares
mayores (Marinho et al., 2024; Costa et al., 2024; Prado et al., 2025). Su relevancia clínica es considerable,
ya que constituyen una causa importante de morbilidad y mortalidad a nivel mundial y se asocian con
una reducción significativa de la calidad de vida. Se estima que las arritmias, en particular la fibrilación
auricular, afectan a más del 1–2 % de la población general, con una prevalencia que aumenta
progresivamente con la edad (Costa et al., 2024; Sampaio et al., 2024; Silva et al., 2024).
Desde el punto de vista clínico y fisiopatológico, las arritmias se clasifican según la frecuencia
cardíaca, el origen del impulso eléctrico y el patrón del ritmo (Castro et al., 2025; Prado et al., 2025). En
función de la frecuencia, se distinguen las taquiarritmias, definidas por una frecuencia superior a 100
latidos por minuto en reposo, y las bradiarritmias, caracterizadas por una frecuencia inferior a 60 latidos
por minuto (Castro et al., 2025; Bai et al., 2024). Las taquiarritmias pueden ser supraventriculares, como
la taquicardia supraventricular paroxística, el flutter auricular y la fibrilación auricular, o ventriculares,
entre las que destacan la taquicardia y la fibrilación ventriculares, estas últimas asociadas con un mayor
riesgo de colapso hemodinámico y muerte súbita (Castro et al., 2025; Vale et al., 2021). Por su parte, las
bradiarritmias suelen relacionarse con alteraciones en la generación o conducción del impulso eléctrico,
incluyendo la bradicardia sinusal y los diferentes grados de bloqueo auriculoventricular.
Las arritmias se clasifican en supraventriculares y ventriculares. Las arritmias ventriculares revisten
especial importancia clínica debido a su estrecha asociación con cardiopatía estructural y muerte súbita
(Vale et al., 2021; Chen et al., 2020). Entre las arritmias supraventriculares, la fibrilación auricular
destaca como la más frecuente en la práctica clínica, caracterizándose por una actividad eléctrica
auricular desorganizado, la ausencia de ondas P definidas y una respuesta ventricular irregular
(Digumarthi et al., 2023). Esta entidad se asocia con un riesgo hasta cinco veces mayor de accidente
cerebrovascular y con un aumento significativo de la mortalidad (Sampaio et al., 2024; Carralero-
Paredes et al., 2021). En contraste, el flutter auricular presenta un patrón de reentrada auricular más
organizado, con ondas auriculares típicas en forma de “dientes de sierra”.
La carga global de las arritmias cardíacas ha aumentado de manera sostenida, impulsada por el
envejecimiento poblacional y la mayor prevalencia de factores de riesgo cardiovascular, como la
hipertensión arterial, la cardiopatía isquémica y la insuficiencia cardíaca (Prado et al., 2025; Soto-
Becerra et al., 2021; Zhang et al., 2022). La presencia de enfermedad estructural del corazón, incluyendo
fibrosis miocárdica postinfarto o disfunción ventricular izquierda, incrementa de forma significativa
el riesgo de desarrollar arritmias complejas (Astudillo et al., 2024; Castro et al., 2025). Aunque algunas
de estas alteraciones pueden ser inicialmente asintomáticas, su progresión hacia formas persistentes o
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 60
permanentes dificulta el tratamiento y empeora el pronóstico, lo que subraya la necesidad de
estrategias diagnósticas más precoces y eficaces (Marinho et al., 2024).
Tradicionalmente, el diagnóstico de las arritmias se ha basado en el análisis del ECG en reposo y en
métodos de monitoreo ambulatorio, como el Holter de 24 a 48 horas o los estudios electrofisiológicos
invasivos (Soto-Becerra et al., 2021; Marinho et al., 2024). Si bien estas herramientas han sido
fundamentales en la práctica clínica, presentan limitaciones importantes para la detección de arritmias
esporádicas, silenciosas o de baja carga arrítmica (Aseeri, 2021; Sager et al., 2021). Además, su
capacidad predictiva es limitada, lo que dificulta la identificación temprana de pacientes con alto riesgo
antes de la aparición de eventos clínicamente evidentes, favoreciendo el subdiagnóstico y la detección
tardía, especialmente en contextos con acceso restringido a tecnologías de monitoreo prolongado
(Santander et al., 2023; Carralero-Paredes et al., 2021).
Frente a estas limitaciones, surge la necesidad de herramientas automatizadas que permitan una
vigilancia más continua, precisa y predictiva del ritmo cardíaco (Tuay, 2021; Estrada, 2024). En este
escenario, la inteligencia artificial se perfila como una aliada estratégica con el potencial de transformar
el enfoque tradicional del diagnóstico y manejo de las arritmias (Sampaio et al., 2024; Oliveira et al., 2025).
Mediante el análisis de grandes volúmenes de datos electrocardiográficos, la IA puede identificar
patrones complejos y sutiles que escapan a la interpretación humana, contribuyendo al desarrollo de una
medicina más precisa, personalizada y preventiva (Yildirim et al., 2020; Salinas-Arce et al., 2022).
La aplicación de algoritmos de Machine Learning y Deep Learning al análisis del ECG ha demostrado
avances significativos en la detección y clasificación de arritmias (Dhanka & Maini, 2025; Bai et al., 2024).
Mientras que los modelos de aprendizaje automático tradicional ofrecen ventajas en términos de
interpretabilidad y requerimientos de datos, los enfoques de Deep Learning, particularmente las redes
neuronales convolucionales, han mostrado un desempeño superior en el análisis de señales complejas,
al permitir la extracción automática de características relevantes directamente de los registros crudos del
ECG (Reznichenko et al., 2025; Jamil & Rahman, 2022; Sager et al., 2021).
Además, la integración de dispositivos portátiles, tecnologías móviles y el Internet de las Cosas ha
ampliado el alcance del ECG asistido por IA, facilitando el monitoreo continuo y ambulatorio de
pacientes (Astudillo et al., 2024; Estrada, 2024). Los dispositivos ponibles han mostrado utilidad en la
detección precoz de fibrilación auricular y otras arritmias; sin embargo, su implementación clínica aún
enfrenta desafíos relacionados con la calidad de los datos, la estandarización de las mediciones y la
validación de los algoritmos en entornos reales (Yoo et al., 2021; Sager et al., 2021).
A pesar de su potencial, la implementación de la inteligencia artificial en el diagnóstico y manejo
de las arritmias cardíacas plantea retos técnicos, éticos y clínicos relevantes. La fiabilidad de los
modelos depende en gran medida de la calidad y representatividad de los datos utilizados, así como
del control de sesgos algorítmicos (Felipe & Trindade, 2025; Oliveira et al., 2025; Tuay, 2021).
Asimismo, la limitada interpretabilidad de muchos modelos complejos, frecuentemente descritos
como sistemas de “caja negra”, constituye una barrera para su aceptación clínica, dado que la práctica
médica exige transparencia y aplicabilidad en los procesos diagnósticos (Fácila et al., 2025; Pinto, 2025).
La protección de la privacidad, la seguridad de los datos y el uso ético de la información del paciente
son igualmente aspectos críticos que deben ser garantizados.
En este contexto, la inteligencia artificial no debe concebirse como un sustituto del juicio clínico,
sino como una herramienta complementaria que potencia la capacidad diagnóstica del profesional de
la salud. Su integración responsable y validada en la práctica clínica tiene el potencial de optimizar la
detección temprana de arritmias, mejorar la estratificación del riesgo y contribuir al desarrollo de una
medicina cardiovascular más preventiva, personalizada y basada en evidencia.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 61
El objetivo de la presente investigación fue analizar la aplicación de la inteligencia artificial en la
detección y diagnóstico de las arritmias cardíacas mediante el análisis automatizado del
electrocardiograma, evaluando su impacto en la precisión diagnóstica, el apoyo a la toma de decisiones
clínicas y la eficiencia del proceso diagnóstico; asimismo, se buscó describir los principales algoritmos
y modelos de inteligencia artificial utilizados en la identificación y clasificación de arritmias cardíacas,
comparar el desempeño diagnóstico de estos sistemas con los métodos tradicionales de interpretación
del electrocardiograma, considerando métricas como precisión, sensibilidad y exactitud, y analizar su
impacto clínico como herramientas de apoyo al diagnóstico, cribado y monitoreo, así como los
beneficios y limitaciones técnicas, operativas y de implementación clínica asociados a su uso.
2. Metodología
Se realizó una revisión sistemática de la literatura con enfoque cualitativo y alcance descriptivo–
analítico, fundamentada en los lineamientos del PRISMA 2020. El propósito de la investigación fue
identificar, evaluar y sintetizar de manera crítica la evidencia científica reciente relacionada con la
aplicación de la inteligencia artificial en la detección, diagnóstico y manejo clínico de las arritmias
cardíacas. En la tabla 1 se detallan los criterios de inclusión y exclusión utilizados en la investigación.
Tabla 1
Criterios de inclusión y exclusión
Criterios de inclusión Criterios de exclusión
Artículos publicados entre 2020–2025. Artículos anteriores a 2020.
Idioma: inglés o español.
Estudios no relacionados con inteligencia artificial
y arritmias cardíacas.,
Estudios clínicos, revisiones sistemáticas,
metaanálisis y reportes con metodología clara.
Documentos sin metodología clara (editoriales,
cartas, artículos de opinión, etc.).
Relación directa con la aplicación de la
inteligencia artificial en la detección, diagnóstico
y manejo clínico de las arritmias cardíacas.
Duplicados o artículos sin acceso al texto completo.
Acceso a texto completo.
Método de búsqueda y fuentes de información
La búsqueda bibliográfica se realizó de forma sistemática en la base de datos Scopus. Se emplearon dos
bloques de búsqueda: el primero relacionado con la inteligencia artificial y el segundo con las arritmias
cardíacas. Para detallar el procedimiento de búsqueda y los resultados obtenidos, se presenta la tabla 2.
Tabla 2
Estrategia de búsqueda y selección de estudios en bases de datos científicas
Base de datos Cadena de búsqueda aplicada N° de estudios
Scopus
(TITLE ("artificial intelligence" OR "machine learning" OR "deep
learning" OR "neural network") AND TITLE ("cardiac arrhythmia"
OR "heart arrhythmia" OR "cardiac rhythm disorder")) AND
PUBYEAR > 2019 AND PUBYEAR < 2026
201
Total 201
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 62
La población del estudio estuvo constituida por un total de 201 estudios científicos identificados en
la base de datos Scopus, relacionados con la aplicación de la inteligencia artificial en la detección,
diagnóstico y manejo clínico de las arritmias cardíacas, de los cuales la muestra estuvo conformada
por 20 estudios que cumplieron con los criterios de inclusión y exclusión previamente establecidos,
tras el proceso de identificación, cribado y elegibilidad conforme a las directrices del protocolo
PRISMA 2020. La técnica utilizada fue la revisión documental sistemática, orientada a la identificación,
selección y análisis crítico de la evidencia científica publicada en Scopus, y como instrumento se
empleó una matriz de extracción de datos diseñada para registrar de manera organizada y sistemática
la información relevante de los estudios incluidos, tales como autor, año de publicación, población de
estudio, métodos diagnósticos tradicionales, enfoques de inteligencia artificial, desempeño
diagnóstico, impacto clínico y limitaciones.
El proceso de selección de los estudios se realizó siguiendo las directrices del protocolo PRISMA,
lo que garantizó transparencia, rigurosidad y trazabilidad en cada fase; en la etapa de identificación se
recopilaron 201 registros, de los cuales se excluyeron inicialmente 117 por corresponder únicamente a
estudios de tipo revisión, evaluándose posteriormente 84 registros mediante la revisión de títulos,
resúmenes y palabras clave, con la exclusión de 24 por no aportar información pertinente a las
preguntas de investigación; de los 60 estudios seleccionados para la recuperación del texto completo,
todos fueron obtenidos y sometidos a evaluación de elegibilidad, excluyéndose finalmente 40 por
presentar un alto riesgo de sesgo, lo que permitió la inclusión de 20 estudios en la revisión sistemática,
constituyendo la base final de evidencia para el análisis posterior (ver figura 1).
Figura 1
Diagrama Prisma
Registros identificados desde
:
Bases de datos (n = 1)
Scopus (n = 201)
Registros (n = 201
)
Registros eliminados antes de la
evaluación: (n=117)
Registros duplicados eliminados
(n =0)
Registros examinados
(n = 84)
Registros excluidos:
Registros que después de la revisión
de títulos, resumen y palabras clave
no contribuyen al estudio ni
responden a las preguntas de
investigación (n = 24)
Estudios solicitados para
recuperación
(n = 60)
Estudios no recuperados
(n = 0)
Estudios evaluados para
elegibilidad
(n = 60)
Estudios excluidos:
Estudios con un alto riesgo de sesgo
(n =40)
Estudios incluidos en la revisión
(n =
20)
Identificación de estudios a través de bases de datos y registros
Identificación
Cribado
Inclusión
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 63
Evaluación del riesgo de sesgo
En la figura 2 se presentó la evaluación del riesgo de sesgo de los estudios incluidos, utilizando
herramientas específicas según su diseño metodológico. Los estudios transversales fueron analizados
mediante la herramienta AXIS, compuesta por 20 ítems relacionados con el diseño, la calidad del
reporte y las posibles fuentes de sesgo; este grupo constituyó el más numeroso, con 2 estudios
clasificados como de bajo riesgo, 3 con riesgo moderado y 3 con riesgo alto.
Los estudios observacionales fueron evaluados con la herramienta ROBINS-I, la cual examina siete
dominios y categoriza el riesgo en bajo, moderado, alto o crítico; en este grupo se observó una calidad
metodológica aceptable, con 1 estudio clasificado en riesgo bajo y 6 en riesgo moderado. Los estudios
experimentales, igualmente evaluados mediante ROBINS-I, incluyeron 13 investigaciones clasificadas
con riesgo bajo, 12 con riesgo moderado y 3 con riesgo alto. Por último, las revisiones sistemáticas y
metaanálisis fueron valorados mediante la herramienta AMSTAR-2, conformada por 16 ítems, siete de
ellos críticos, mostrando una distribución en la que 4 estudios presentaron riesgo bajo y 13 riesgo
moderado.
Figura 2
Evaluación de riesgo de sesgo
3. Resultados
La figura 3 muestra la distribución temporal de los estudios incluidos en la revisión durante el período
comprendido entre 2020 y 2025. El año 2025 presenta el mayor número de estudios incluidos, lo que
sugiere un crecimiento acelerado en la producción científica y un interés sostenido en la aplicación de
herramientas de inteligencia artificial para el diagnóstico, monitoreo y estratificación del riesgo de
arritmias cardíacas.
13
1
2
4
12
6
3
13
3
3
0 5 10 15 20 25 30
Estudios Experimentales (Robins-i)
Estudios Observacionales (Robins-i)
Estudios Transversales (Axis)
Revisiones sistemáticas y metaanálisis(Amstar-2)
Bajo Moderado Alto
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 64
Figura 3
Años de los estudios incluidos en la revisión
En los años 2023 y 2024 también se observa una contribución relevante, consolidando una tendencia
ascendente en el desarrollo y validación de modelos algorítmicos, especialmente en el análisis de
electrocardiogramas, dispositivos portátiles y sistemas de apoyo a la decisión clínica. Este aumento
progresivo puede asociarse con el avance en técnicas de aprendizaje automático y profundo, así como
con la mayor disponibilidad de grandes volúmenes de datos clínicos.
Por el contrario, los años 2020, 2021 y 2022 presentan un menor número de estudios, lo que indica
que, en etapas iniciales, la investigación en inteligencia artificial aplicada a las arritmias cardíacas era
aún limitada o se encontraba en fases exploratorias.
En la figura 4 se presenta la distribución geográfica de los estudios incluidos en la investigación, la
cual muestra una participación heterogénea entre distintos países, con una mayor representación de
naciones asiáticas. India concentra el mayor número de registros, con 5 estudios, seguida de China con
3 investigaciones, lo que evidencia el papel protagónico de estos países en el desarrollo e
implementación de soluciones basadas en inteligencia artificial aplicadas a la cardiología,
particularmente en el análisis automatizado de arritmias.
Figura 4
Registros de estudios por país
7
3
4
2
3
1
0
1
2
3
4
5
6
7
8
2019 2020 2021 2022 2023 2024 2025 2026
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 65
Otros países asiáticos, como Taiwán, Turquía, Arabia Saudita y la República de Corea también
contribuyen de manera relevante, reforzando la tendencia de un fuerte impulso regional en Asia. Este
predominio puede estar asociado con la inversión en tecnologías digitales en salud, la disponibilidad
de grandes bases de datos poblacionales y el interés en optimizar el diagnóstico temprano de
enfermedades cardiovasculares mediante herramientas algorítmicas.
La participación de países de Europa, como el Reino Unido y Alemania, así como de Australia,
refleja un interés creciente, pero aún limitado en términos del volumen de publicaciones incluidas en
esta revisión. En el caso de América Latina, únicamente México, con 1 estudio, está representado,
mientras que África cuenta con un solo registro procedente de Marruecos, lo que pone de manifiesto
una menor producción científica en estas regiones dentro del período analizado.
La figura 5 presenta la distribución de los tipos de estudios incluidos, donde se evidencia un
predominio de los estudios experimentales, con 13 investigaciones, lo que refleja un marcado interés
en evaluar de manera directa el desempeño, la precisión y la eficacia de los modelos de inteligencia
artificial aplicados al análisis de señales electrocardiográficas y al diagnóstico de arritmias.
Figura 5
Tipos de estudios
En menor proporción se identificaron estudios de tipo revisión, con un total de cuatro
investigaciones, los cuales aportan una visión integradora del estado del arte y permiten sintetizar los
principales avances metodológicos y clínicos en el área. Por su parte, los estudios transversales,
representados por dos investigaciones, y los estudios observacionales, con un único estudio, fueron
escasos, lo que indica una limitada exploración de la aplicación de estas tecnologías en contextos
clínicos reales y en poblaciones amplias.
Esta distribución evidencia que la investigación se ha orientado predominantemente al desarrollo
y validación técnica de algoritmos de inteligencia artificial, resaltando la necesidad de incrementar
estudios observacionales y de implementación clínica que permitan evaluar su impacto en escenarios
asistenciales y en la práctica médica cotidiana.
La tabla 3 integra la evidencia disponible sobre la aplicación de la inteligencia artificial en el
diagnóstico de arritmias cardíacas, considerando poblaciones, métodos tradicionales, enfoques
algorítmicos, desempeño diagnóstico, impacto clínico y limitaciones. Los estudios analizados reflejan
una transición progresiva desde métodos diagnósticos convencionales, basados principalmente en la
interpretación manual del electrocardiograma (ECG), hacia sistemas automatizados apoyados en
aprendizaje automático y aprendizaje profundo.
13
2
4
1
Experimental Transversal Revisión Observacional
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 66
Tabla 3
Matriz de resultados
Autor Población
Métodos diagnósticos
tradicionales
Impacto clínico del
diagnóstico tradicional
Enfoques algorítmicos de
IA
Desempeño
diagnóstico de IA
Impacto clínico de la IA Limitaciones técnicas y operativas
Wang et al.
(2025)
Base MIT-BIH
Arrhythmia
ECG, monitoreo
portátil y en la nube
Retrasos diagnósticos,
dependencia de
transmisión remota y alto
consumo energético
CNN, NN interpacient,
procesamiento en edge
Precisión cercana
al 99%
Diagnóstico más
oportuno y continuo
Alto costo computacional, consumo
energético, dependencia de la nube
Pratima et al.
(2025)
22,130 ECGs +
validación
externa
ECG de 12
derivaciones, Holter
Lento, costoso, requiere
expertos
DL, ensembles, enfoques
híbridos
Alto rendimiento
competitivo
Prevención de ACV y
reducción de costos
Falta de estandarización y alta
complejidad
Bai et al. (2024)
MIT-
BIH (48
registros)
ECG manual
Dificultad en detección
temprana
DeepBiLSTMnet
Alta sensibilidad y
precisión
Diagnóstico precoz y
predicción de severidad
Riesgo de sobreajuste y falta de
validación externa
Dhanka &
Maini (2025)
MIT-BIH,
INCART
ECG convencional
Variabilidad
interobservador, análisis
lento
CNN profundas Exactitud >99%
Reducción de errores
diagnósticos
Alta carga computacional
Santander
et al. (2023)
159 pacientes
AFib/AFlu
ECG superficial
Alta tasa de error
diferencial
DL especializado AUC elevado
Mejora en diferenciación
AFib/AFlu
Caja negra, bajo VPP
Mohebbanaaz
et al. (2025)
38,899
pacientes
ECG estándar
Subjetividad y carga
laboral
CNN-LSTM F1 >0.93 Cribado eficiente Escasez de datasets grandes
Mogili &
Narsimha.
(2022)
MIT-
BIH (47
sujetos)
ECG manual
Limitada precisión en
señales complejas
ML y DL
Mejora
significativa
Apoyo al diagnóstico Dependencia de calidad de datos
Yildirim et al.
(2020)
94 sujetos (MIT-
BIH, INCART,
BIDMC)
ECG manual
Clasificación lenta
Diagnóstico tardío
GRU, Deep Ensemble
PRF-DCNN
F1 >98%
Exactitud 99.53%
Diagnóstico confiable
con incertidumbre
Alto costo computacional
Interpretabilidad limitada
Khatar et al.
(2024)
65,932 ECGs ECG 12 derivaciones Precisión limitada DL multiderivación
Comparable a
cardiólogos
Mejora de eficiencia
clínica
Generalización limitada
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 67
Pandey et al.
(2025)
St. Petersburg
INCART
ECG tradicional Diagnóstico tardío PRF-DCNN Exactitud 99.53%
Diagnóstico en tiempo
real
Interpretabilidad limitada
Zhang et al.
(2022)
65,932 ECGs ECG 12 derivaciones Precisión limitada DL multiderivación
Comparable a
cardiólogos
Mejora de eficiencia
clínica
Generalización limitada
Digumarthi
et al. (2023)
MIT-BIH ECG inspección visual
Limitado por número de
especialistas
CNN, LSTM, CNN-LSTM Precisión ~99%
Ampliación de cobertura
diagnóstica
Dependencia de datasets
balanceados
Reznichenko
et al. (2025)
Bases públicas
múltiples
ECG manual Diagnóstico laborioso DL, metaheurísticos Alto rendimiento Detección temprana Carga computacional
Chen et al.
(2020)
ECG
multicéntrico
ECG convencional Variabilidad diagnóstica DL híbrido Exactitud >98% Apoyo clínico Falta de validación clínica
Lin et al. (2025) MIT-BIH ECG manual Riesgo de omisiones CNN optimizadas Sensibilidad >95% Diagnóstico oportuno Ruido en señales
Sager et al.
(2021)
INCART ECG tradicional Dependencia del experto DL profundo Alta especificidad Reducción de errores Interpretabilidad
Chang et al.
(2021)
PhysioNet ECG manual Lento DL 3D F1 >0.93 Aplicabilidad clínica Hardware intensivo
Aseeri (2021)
Hospital
CMUH
ECG estándar Precisión limitada DL clínico
Comparable a
expertos
Soporte a decisión Dataset monocéntrico
Jamil &
Rahman (2022)
ECG 12
derivaciones
ECG convencional Carga laboral DL avanzado >98% Automatización Requerimientos de cómputo
Yoo et al.
(2021)
ECG clínico ECG manual Retrasos IA interpaciente Precisión ~93% Monitoreo continuo Recursos limitados en ponibles
Nota. ECG: Electrocardiograma, AFib: Fibrilación auricular, AFlu / AFL: Flutter auricular, ACV: Accidente cerebrovascular, IA: Inteligencia artificial, ML: Machine Learning, DL: Deep Learning, CNN: Red
neuronal convolucional, RNN: Red neuronal recurrente, LSTM: Memoria a corto y largo plazo, BiLSTM: Memoria bidireccional a largo plazo, GRU: Unidad Recurrente Cerrada, CNN-LSTM: Arquitectura
híbrida de red convolucional y recurrente, NN: Red neuronal, CAD: Diagnóstico asistido por computadora, AUC: Área bajo la curva, ROC: Característica de funcionamiento del receptor, AUROC: Área bajo la
curva ROC, VPP: Valor predictivo positivo, MIT-BIH: Base de datos de arritmias del MIT-Beth Israel Hospital, INCART: Base de datos del Instituto de Técnicas Cardiológicas de San Petersburgo.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 68
Los métodos diagnósticos tradicionales descritos se basan principalmente en el ECG manual, el
ECG de 12 derivaciones, el monitoreo Holter y sistemas convencionales de registro. De manera
consistente, los estudios reportan debilidades inherentes a estos enfoques, tales como retrasos en el
diagnóstico, dependencia del criterio del especialista, variabilidad entre evaluadores, elevada carga
laboral y dificultades para la detección temprana de arritmias complejas. Estas limitaciones justifican
el creciente interés en la incorporación de herramientas basadas en inteligencia artificial como apoyo
al proceso diagnóstico.
En cuanto a los enfoques algorítmicos de inteligencia artificial, predomina el uso de modelos de
aprendizaje profundo, particularmente redes neuronales convolucionales (CNN), redes recurrentes
(LSTM, GRU), arquitecturas híbridas CNN-LSTM, modelos de ensamble profundo y redes
especializadas como DeepBiLSTMnet y PRF-DCNN. Asimismo, algunos estudios incorporan
estrategias de procesamiento en el borde (edge computing), metaheurísticos y enfoques interpaciente, lo
que refleja un avance hacia soluciones más eficientes, escalables y adaptables a distintos escenarios
clínicos y tecnológicos.
El desempeño diagnóstico de los modelos de IA fue notablemente elevado en la mayoría de los
estudios incluidos, con valores de precisión, exactitud, sensibilidad y F1 que frecuentemente superaron
el 95% y, en varios casos, alcanzaron cifras cercanas o superiores al 99%. De manera relevante,
múltiples investigaciones reportaron un rendimiento comparable al de cardiólogos expertos, lo que
resalta el potencial de la IA como herramienta de apoyo diagnóstico confiable, especialmente en
entornos con alta demanda asistencial o limitada disponibilidad de especialistas.
Desde la perspectiva del impacto clínico, la implementación de sistemas basados en inteligencia
artificial se asoció con diagnósticos más oportunos, detección precoz de arritmias, reducción de errores
diagnósticos, optimización de la eficiencia clínica y fortalecimiento del cribado poblacional.
Adicionalmente, algunos estudios destacaron beneficios como la prevención de eventos adversos, la
disminución de costos sanitarios y la viabilidad del monitoreo continuo mediante dispositivos
portátiles y plataformas en la nube.
No obstante, también se pusieron de manifiesto limitaciones técnicas y operativas relevantes, entre
las que se incluyen el elevado costo computacional, el alto consumo energético, la dependencia de
infraestructuras tecnológicas avanzadas, la escasez de conjuntos de datos amplios y balanceados, la
falta de estandarización metodológica, la limitada interpretabilidad de los modelos (efecto de “caja
negra”) y los problemas de generalización a poblaciones distintas de aquellas utilizadas para el
entrenamiento.
4. Discusión
Los hallazgos evidencian un consenso creciente en la literatura respecto al potencial de la inteligencia
artificial (IA) para transformar y optimizar el diagnóstico de las arritmias cardíacas, particularmente
mediante el análisis automatizado del electrocardiograma. No obstante, desde una perspectiva
comparativa, pese a la convergencia en los elevados indicadores de desempeño diagnóstico
reportados, se identifican diferencias sustanciales en los enfoques metodológicos, el tipo de datos
utilizados y las limitaciones señaladas, lo que enriquece la discusión crítica de los resultados.
Diversos estudios coinciden en que los modelos basados en aprendizaje profundo, especialmente
las redes neuronales convolucionales (CNN) y las arquitecturas híbridas CNN-LSTM, presentan un
rendimiento superior frente a los métodos tradicionales y a los modelos de aprendizaje automático
clásico. Investigaciones como las de Wang et al. (2025), Dhanka y Maini (2025) y Pandey et al. (2025)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 69
reportan precisiones cercanas o superiores al 99%, lo que sugiere una clara superioridad técnica de
estos enfoques para la clasificación de arritmias complejas. Resultados similares son descritos por
Yildirim et al. (2020) y Zhang et al. (2022), quienes además destacan un desempeño comparable al de
cardiólogos expertos, lo que refuerza el potencial clínico de la IA como herramienta de apoyo
diagnóstico, aunque no sustitutiva.
Sin embargo, desde una postura más crítica, otros autores subrayan que el alto rendimiento
diagnóstico se obtiene principalmente en entornos controlados y en bases de datos públicas ampliamente
utilizadas, como MIT-BIH e INCART. Bai et al. (2024) y Lin et al. (2025) advierten que el riesgo de
sobreajuste y la sensibilidad al ruido de las señales pueden comprometer la aplicabilidad clínica real de
los modelos, especialmente cuando no se dispone de procesos de validación externa robustos. Esta
preocupación es compartida por Khatar et al. (2024), quienes señalan dificultades relevantes en la
generalización de los modelos a poblaciones distintas de aquellas empleadas durante el entrenamiento.
Desde la perspectiva clínica, varios estudios destacan beneficios concretos y potencialmente
relevantes de la IA, como la reducción de errores diagnósticos y la detección temprana de arritmias.
Mohebbanaaz et al. (2025) y Santander et al. (2023) enfatizan la utilidad de estos sistemas en el cribado
eficiente y en la diferenciación precisa entre fibrilación auricular y flutter auricular, condiciones que
frecuentemente generan errores diagnósticos cuando se emplea únicamente el ECG convencional. En
la misma línea, Pratima et al. (2025) y Reznichenko et al. (2025) destacan el impacto positivo de la IA
en la prevención de eventos adversos, como el accidente cerebrovascular, y en la optimización de los
costos sanitarios, lo que refuerza su valor potencial en sistemas de salud con alta demanda asistencial.
No obstante, la discusión revela que la viabilidad clínica inmediata de estos sistemas no es uniforme.
Estudios como los de Sager et al. (2021) y Aseeri (2021) subrayan que la limitada interpretabilidad de
los modelos, comúnmente descritos como sistemas de “caja negra”, constituye una barrera significativa
para su adopción clínica. Esta limitación adquiere especial relevancia en contextos donde la toma de
decisiones médicas exige transparencia, explicabilidad y trazabilidad diagnóstica, aspectos que aún no
han sido plenamente resueltos por muchos modelos de IA actuales.
Por otra parte, el uso de dispositivos portátiles y el procesamiento en tiempo real introduce un eje
emergente de discusión clínica y tecnológica. Wang et al. (2025) y Yoo et al. (2021) evidencian que el
monitoreo continuo mediante dispositivos ponibles y enfoques interpaciente amplía la cobertura
diagnóstica y favorece la detección precoz de arritmias intermitentes. Sin embargo, estos beneficios
deben ponderarse frente a las limitaciones técnicas señaladas por los mismos autores, tales como el
alto consumo energético, la dependencia de infraestructuras en la nube y las restricciones de hardware,
especialmente en entornos con recursos limitados.
Finalmente, se observa que la mayoría de las investigaciones analizadas se concentran en el
desempeño técnico de los algoritmos, mientras que los estudios que evalúan su impacto en escenarios
clínicos reales siguen siendo escasos. Mogili y Narsimha (2022), así como Chen et al. (2020), coinciden
en señalar la necesidad de estudios multicéntricos, prospectivos y con poblaciones diversas, que
permitan validar de manera integral la efectividad, seguridad y utilidad clínica de la IA en la práctica
asistencial cotidiana.
En conjunto, los resultados ponen de manifiesto que, si bien existe un amplio acuerdo respecto a la
elevada capacidad diagnóstica de la inteligencia artificial en el abordaje de las arritmias cardíacas,
persisten desafíos críticos relacionados con su generalización, interpretabilidad e implementación
clínica. Estas tensiones refuerzan la necesidad de integrar la IA como una herramienta complementaria
al juicio clínico, sustentada en evidencia robusta, validación continua y marcos regulatorios adecuados.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 70
Limitaciones
La mayoría de los estudios incluidos utilizaron bases de datos públicas estandarizadas, como MIT-BIH
e INCART, lo que limita la extrapolación de los hallazgos a contextos clínicos reales y a poblaciones
con características demográficas y epidemiológicas diferentes. Esta dependencia puede sobreestimar
el desempeño de los modelos de inteligencia artificial en escenarios asistenciales no controlados, lo que
refuerza la necesidad de validaciones clínicas adicionales.
5. Conclusiones
La inteligencia artificial (IA) constituye una herramienta altamente eficaz para el análisis automatizado
de registros electrocardiográficos; en particular, los sistemas basados en aprendizaje automático y, de
forma más destacada, en aprendizaje profundo permiten identificar patrones complejos y sutiles del
ritmo cardíaco que superan las limitaciones inherentes a la interpretación manual del
electrocardiograma (ECG), contribuyendo de manera significativa a una detección más temprana,
continua y precisa de las arritmias cardíacas.
Los modelos de aprendizaje profundo (Deep Learning), como las redes neuronales convolucionales,
recurrentes y las arquitecturas híbridas, demuestran un rendimiento diagnóstico consistentemente
superior, con valores de precisión, sensibilidad y exactitud que frecuentemente superan el 95% y
alcanzan niveles comparables a los de cardiólogos expertos. En contraste, los métodos tradicionales
continúan mostrando debilidades asociadas a la variabilidad interobservador, el diagnóstico tardío y
la limitada capacidad predictiva, lo que confirma y refuerza el valor de la IA como herramienta de
apoyo al diagnóstico clínico.
La implementación de estas tecnologías se asocia con mejoras sustanciales y sostenidas en la
eficiencia clínica, la reducción de errores diagnósticos, la optimización del cribado poblacional y la
viabilidad del monitoreo continuo mediante dispositivos portátiles. No obstante, persisten desafíos
relevantes relacionados con la interpretabilidad de los modelos, la generalización a poblaciones
diversas, el costo computacional, el consumo energético y la necesidad de validaciones clínicas
rigurosas y multicéntricas, lo que conduce a la conclusión de que la inteligencia artificial debe
integrarse de manera complementaria, gradual y responsable al juicio clínico, sin sustituir el rol del
profesional de la salud.
Recomendaciones
Se recomienda impulsar y priorizar el desarrollo de investigaciones que evalúen el desempeño de los
sistemas de inteligencia artificial en escenarios clínicos reales, con poblaciones heterogéneas y
seguimientos longitudinales, con el propósito de fortalecer la validez externa, garantizar la
generalización de los resultados y favorecer la aplicabilidad clínica segura y efectiva de los modelos
propuestos.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 71
Referencias
Aseeri, A. (2021). Uncertainty-Aware Deep Learning-Based Cardiac Arrhythmias Classification Model
of Electrocardiogram Signals. Computers, 10(6), 82. https://doi.org/10.3390/computers10060082
Astudillo, V., Revelo, D., & Muñoz, J. (2024). Clasificación de arritmias cardiacas usando redes
neuronales convolucionales en muestras de ECG. Revista EIA, 21(41).
https://doi.org/10.24050/reia.v21i41.1719
Bai, X., Dong, X., Li, Y., Liu, R., & Zhang, H. (2024). A hybrid deep learning network for automatic
diagnosis of cardiac arrhythmia based on 12-lead ECG. Scientific Reports, 14(1), 24441.
https://doi.org/10.1038/s41598-024-75531-w
Carralero-Paredes, A., Suárez-León, A., Sóñora-Mengana, A., & García-Naranjo, J. (2021). Detección de
arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía. Orange
Journal, 3(5), 42-52. https://doi.org/10.46502/issn.2710-995X/2021.5.05
Castro, T., Queiroz., Eduarda, M., Oliveira, T., Martins., J, Coelho, R., Magalhães, M., Parente, G,
Strassacapa, C., Passaglia, R., & Lima, B. (2025). Principais tipos de arritmias cardíacas e seus
manejos mais comuns. Brazilian Journal of Implantology and Health Sciences, 7(2), 2133-2149.
https://doi.org/10.36557/2674-8169.2025v7n2p2133-2149
Chang, K., Hsieh, P., Wu, M., Wang, Y., Chen, J., Tsai, F., Shih, E., Hwang, M., & Huang, T. (2021).
Usefulness of Machine Learning-Based Detection and Classification of Cardiac Arrhythmias
With 12-Lead Electrocardiograms. Canadian Journal of Cardiology, 37(1), 94-104.
https://doi.org/10.1016/j.cjca.2020.02.096
Chen, T., Huang, C., Shih, E., Hu, Y., & Hwang, M. (2020). Detection and Classification of Cardiac
Arrhythmias by a Challenge-Best Deep Learning Neural Network Model. iScience, 23(3),
100886. https://doi.org/10.1016/j.isci.2020.100886
Costa, A., Franco, A., Pereira, R., Gonçalves, M., & Nubile, E. (2024). Arritmias Cardíacas: Diagnóstico,
Tratamento e Prevenção. Brazilian Journal of Implantology and Health Sciences, 6(2), 348-360.
https://doi.org/10.36557/2674-8169.2024v6n2p348-360
Dhanka, S., & Maini, S. (2025). A hybrid machine learning approach using particle swarm optimization
for cardiac arrhythmia classification. International Journal of Cardiology, 432, 133266.
https://doi.org/10.1016/j.ijcard.2025.133266
Digumarthi, J., Gayathri, V., & Pitchai, R. (2023). Cardiac arrhythmia detection from ECG signal using
Siamese adversarial neural network. Multimedia Tools and Applications, 83(14), 41457-41484.
https://doi.org/10.1007/s11042-023-17071-5
Estrada, M. (2024). Revisión Sistemática y Metaanálisis: Relojes Inteligentes versus Electrocardiograma
Normal para la Detección de Arritmias Cardíacas. Revista Médica Cunoc, 1(1), 118-127.
https://cienciacunoc.org/index.php/revmed/article/view/17
Fácila, L., Vidal, R., Benedito, M., Sempere, M., Escobar, C., & Cordero, A. (2025). Predicción de
morbimortalidad mediante inteligencia artificial aplicada al electrocardiograma: Un
metanálisis. REC: CardioClinics, 60(4), 263-274. https://doi.org/10.1016/j.rccl.2025.07.001
Jamil, S., & Rahman, M. (2022). A Novel Deep-Learning-Based Framework for the Classification of
Cardiac Arrhythmia. Journal of Imaging, 8(3), 70. https://doi.org/10.3390/jimaging8030070
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 72
Prado, V., Soares, E., Pezzi, S., Pinto, N., Dinizi, M., Gomes, D., Machado, N., Venero, A., Martínez, G.,
Machado, L., & Oliveira, H. (2025). Arritmia cardíaca e sua relação com o transtorno de pânico:
Mecanismos, diagnóstico e abordagens terapêuticas. Cuadernos de Educación y Desarrollo, 17(5),
e8469. https://doi.org/10.55905/cuadv17n5-123
Khatar, Z., Bentaleb, D., & Bouattane, O. (2024). Advanced detection of cardiac arrhythmias using a
three-stage CBD filter and a multi-scale approach in a combined deep learning model.
Biomedical Signal Processing and Control, 88, 105551. https://doi.org/10.1016/j.bspc.2023.105551
Lin, W., Lin, C., Liu, W., Liu, W., Chang, C., Chen, H., Lee, C., Chen, Y., Wu, C., Lee, C., Wang, C., Liao,
C., & Lin, C. (2025). Development of an Artificial Intelligence-Enabled Electrocardiography to
Detect 23 Cardiac Arrhythmias and Predict Cardiovascular Outcomes. Journal of Medical
Systems, 49(1), 51. https://doi.org/10.1007/s10916-025-02177-0
Felipe, A., & Trindade, M. (2025). Detecção De Arritmias Cardíacas: Abordagem Da Derivação I Com
Redes Neurais Híbridas. Revista Interfaces: Saúde, Humanas e Tecnologia, 12(4).
https://doi.org/10.16891/2317-434X.v12.e4.a2024.pp4585-4600
Mogili, R., & Narsimha, G. (2022). A novel weighted approach for automated cardiac arrhythmia beat
classification using convolutional neural networks. International Journal of Advanced Technology
and Engineering Exploration, 9(95). https://doi.org/10.19101/IJATEE.2021.876071
Mohebbanaaz, Y., & Kumari, L. (2025). A novel inference system for detecting cardiac arrhythmia
using deep learning framework. Neural Computing and Applications, 37(16), 9759-9775.
https://doi.org/10.1007/s00521-025-11092-x
Oliveira, M., Lima, G., Santos, G., Vidal, G., Donato, M., Andrade, C., Silva, A., Neves, G, Santos, E.,
Guerra, J., Fernandes, H., Alves, L.., Laurindo, T., Lessa, L., & Neto, A. (2025). Inteligência
Artificial na cardiologia: Uma revisão das aplicações no diagnóstico e prevenção de doenças
cardiovasculares. CONTRIBUCIONES A LAS CIENCIAS SOCIALES, 18(3), e16021.
https://doi.org/10.55905/revconv.18n.3-032
Pandey, S., Kumar, D., & Lal, B. (2025). Advanced detection of cardiac arrhythmias using machine
learning algorithms on ECG data. Neural Computing and Applications, 37(32), 27381-27413.
https://doi.org/10.1007/s00521-025-11681-w
Patiño, D., Medina, J., Silva, R., Guijarro, A., & Rodríguez, J. (2023). Prediction of Arrhythmias and
Acute Myocardial Infarctions using Machine Learning. Ingenius, 29, 79-89.
https://doi.org/10.17163/ings.n29.2023.07
Pinto, M. (2025). Aplicabilidade de Algoritmos de Aprendizado de Máquina no Diagnóstico de
Arritmias – Quanto Tempo Até a Máquina Começar a nos Ensinar? Arquivos Brasileiros de
Cardiologia, 122(8), e20250405. https://doi.org/10.36660/abc.20250405
Pratima, A., Gopalakrishna, K., & Prasad, S. (2025). A Comparative Analysis of Advanced Deep
Learning Techniques for Accurate Cardiac Arrhythmia Classification. Engineering, Technology
& Applied Science Research, 15(4), 25008-25013. https://doi.org/10.48084/etasr.11333
Reznichenko, S., Whitaker, J., Ni, Z., & Zhou, S. (2025). Comparing ECG Lead Subsets for Heart
Arrhythmia/ECG Pattern Classification: Convolutional Neural Networks and Random Forest.
CJC Open, 7(2), 176-186. https://doi.org/10.1016/j.cjco.2024.10.012
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 73
Sager, S., Bernhardt, F., Kehrle, F., Merkert, M., Potschka, A., Meder, B., Katus, H., & Scholz, E. (2021).
Expert-enhanced machine learning for cardiac arrhythmia classification. PLOS ONE, 16(12),
e0261571. https://doi.org/10.1371/journal.pone.0261571
Salinas-Arce, J., Alca-Clares, R., Gonzales-Luna, A., Cabrera-Saldaña, M., Mendoza-Novoa, P.,
Solórzano-Altamirano, P., & Guevara-Valdivia, M. (2022). Las arritmias en la amiloidosis
cardiaca. Archivos Peruanos de Cardiología y Cirugía Cardiovascular, 3(2), 82-97.
https://doi.org/10.47487/apcyccv.v3i2.217
Sampaio, F., Bacca, L, Branco, D, Lamb, I., & Weber, J. (2024). Transtornos de condução e arritmias
cardíacas: Aspectos fisiológicos, diagnósticos e terapêuticos. Brazilian Journal of Health Review,
7(9), e75978. https://doi.org/10.34119/bjhrv7n9-400
Santander, F., Hernández, N., Seck Tuoh, J., Medina, J., Barragán, I., & Anaya, G. (2023). A Novel
Hybrid Model Based on Convolutional Neural Network With Particle Swarm Optimization
Algorithm for Classification of Cardiac Arrhythmias. IEEE Access, 11, 55515-55532.
https://doi.org/10.1109/ACCESS.2023.3282315
Silva, S., Lopes, T., & Moura, E. (2024). AVANÇOS RECENTES NO DIAGNÓSTICO E TRATAMENTO
DAS ARRITMIAS. Periódicos Brasil - Pesquisa Científica, 3(2), 69-77.
https://doi.org/10.36557/pbpc.v3i2.42
Marinho, R., Xiao, J., Aimi, N., Borela, J., Machado, A., Lima, S., Vilharba, É., Marambaia, R., Rodrigues,
V., Ferreira, J., Barros, R., Virgens, G., Gonçalves, K., & Oliveira, J. (2024). Avaliação e manejo
de arritmias cardíacas em crianças: Uma revisão. Brazilian Journal of Implantology and Health
Sciences, 6(3), 27-35. https://doi.org/10.36557/2674-8169.2024v6n3p27-35
Soto-Becerra, R., Taype-Rondan, Á., Cabrera-Saldaña, M., Guevara-Caicedo, C., Zelaya-Castro, P.,
Medina-Maguiña, J., Huerta-Robles, R., Junes-Gonzales, W., Aráoz-Tarco, O., Sangines-
Montes, A., & Zegarra-Carhuas, R. (2021). Ablación de arritmias cardiacas empleando un
sistema de mapeo electroanatómico tridimensional en el Instituto Nacional Cardiovascular—
INCOR. Archivos Peruanos de Cardiología y Cirugía Cardiovascular, 2(3), 150-158.
https://doi.org/10.47487/apcyccv.v2i3.147
Tuay, D. (2021). Desarrollo de un sistema para clasificación de patologías cardiovasculares en señales
electrocardiográficas (ECG) aplicando inteligencia artificial y cloud computing [Trabajo de Grado].
Universidad de Pamplona, Repositorio Hulago Universidad de Pamplona.
http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/713
Vale, V., Sossi, L., Camara, F, Oliveira, F., Borges, G., Castro, H., Vieira, H., Vieira, I. A., & Pontes, H.
(2021). Arritmias: Classificação e manejo em crianças / Arrhythmias: Classification and
management in children. Brazilian Journal of Health Review, 4(2), 4475-4492.
https://doi.org/10.34119/bjhrv4n2-040
Wang, W., Deng, G., Wu, G., Ye, Z., Wei, G., Lu, X., & Li, B. (2025). A 900-nW Wearable Interpatient
Cardiac Arrhythmia Monitoring Processor With a Feature Engine-Based Artificial Neural
Network. IEEE Internet of Things Journal, 12(14), 26328-26342.
https://doi.org/10.1109/JIOT.2025.3561749
Yildirim, O., Talo, M., Ciaccio, E., Tan, R., & Acharya, U. (2020). Accurate deep neural network model
to detect cardiac arrhythmia on more than 10,000 individual subject ECG records. Computer
Methods and Programs in Biomedicine, 197, 105740. https://doi.org/10.1016/j.cmpb.2020.105740
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (58-74)
ISSN: 2960-8317
Alexander David Sandoval Vela, Diego Paul Corrales Vargas, Jorge Luis Choca Alcocer, María Augusta Chafla Romero 74
Yoo, J., Jun, T., & Kim, Y. (2021). xECGNet: Fine-tuning attention map within convolutional neural
network to improve detection and explainability of concurrent cardiac arrhythmias. Computer
Methods and Programs in Biomedicine, 208, 106281. https://doi.org/10.1016/j.cmpb.2021.106281
Zhang, H., Liu, C., Tang, F., Li, M., Zhang, D., Xia, L., Zhao, N., Li, S., Crozier, S., Xu, W., & Liu, F.
(2022). Cardiac Arrhythmia classification based on 3D recurrence plot analysis and deep
learning. Frontiers in Physiology, 13, 956320. https://doi.org/10.3389/fphys.2022.956320
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Alexander David Sandoval Vela: Conceptualización, software, validación, análisis formal, gestión de
datos, redacción - preparación del borrador original, redacción - revisión y edición, financiamiento,
recursos, supervisión.
Diego Paul Corrales Vargas: Metodología, validación, análisis formal, investigación, gestión de datos,
visualización, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, administración del proyecto, recursos, supervisión.
Jorge Luis Choca Alcocer: Conceptualización, análisis formal, redacción - preparación del borrador
original, redacción - revisión y edición, financiamiento, recursos.
María Augusta Chafla Romero: Conceptualización, validación, análisis formal, investigación, gestión
de datos, redacción - preparación del borrador original, redacción - revisión y edición, financiamiento,
recursos.
