Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 19
Protección miocárdica y cerebral en cirugía cardiotorácica:
Avances anestesiológicos y quirúrgicos mediante
inteligencia artificial
Myocardial and Cerebral Protection in Cardiothoracic Surgery:
Anesthesiological and Surgical Advances Using Artificial
Intelligence
Aldean-Castro, Karen Liseth
1
Bermeo-Cazar, Erika Katherine
2
https://orcid.org/0000-0002-3614-7421
https://orcid.org/0009-0009-4618-0928
karenaldeanc@gmail.com
erikabermeo17@hotmail.com
Investigador independiente, Ecuador.
Investigador independiente, Ecuador.
Fonseca-Rey, Gloria
3
Molina-Zambrano, Leonardo Daniel
4
https://orcid.org/0009-0008-8998-905X
https://orcid.org/0009-0001-4576-603X
dra.gloriafonseca.85@gmail.com
vldmz20@gmail.com
Investigador independiente, Ecuador.
Investigador independiente, Ecuador.
Moreira-Rodríguez, Jorge Roberto
5
https://orcid.org/0009-0006-9620-4148
robertomoreirar@gmail.com
Investigador independiente, Ecuador.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/266
Resumen: La cirugía cardiotorácica con circulación
extracorpórea expone el miocardio y el tejido cerebral a estrés
isquémico, inflamación sistémica y daño por reperfusión. La
optimización de la protección orgánica constituye un pilar
esencial para disminuir la morbimortalidad perioperatoria. La
presente revisión sistemática analiza los avances
anestesiológicos y quirúrgicos impulsados por inteligencia
artificial para la protección miocárdica y cerebral. Siguiendo las
directrices PRISMA 2020, se evaluaron 25 estudios arbitrados
publicados entre 2020 y 2026 en PubMed, SciELO, LILACS,
MEDES, Trip Database y la Revista Científica Ciencia y Método.
Los modelos de aprendizaje automático y redes neuronales
artificiales (precisión 94%-96%; AUC 0.78-0.88) permitieron
predecir tempranamente la fibrilación auricular postoperatoria, el
fallo renal y la lesión cerebral aguda. La integración multiómica y
la monitorización en tiempo real de la autorregulación
cerebrovascular optimizaron la dosificación cardioplégica,
preservando la función mitocondrial y atenuando la apertura del
poro de transición de permeabilidad. La inteligencia artificial
consolida un modelo cardioprotector y neuroprotector adaptativo
y personalizado, mejorando sustancialmente los desenlaces
clínicos y acortando la estancia hospitalaria en cuidados
intensivos cardiotorácicos.
Palabras clave: Protección miocárdica, Protección cerebral,
Cirugía cardiotorácica, Inteligencia artificial, Circulación
extracorpórea
Artículo Científico
Received: 11/Ago/2026
Accepted: 08/Sep/2026
Published: 04/Oct/2026
Cita: Aldean-Castro, K. L., Bermeo-Cazar, E.
K., Fonseca-Rey, G., Molina-Zambrano, L. D.,
& Moreira-Rodríguez, J. R. (2026). Protección
miocárdica y cerebral en cirugía cardiotorácica:
Avances anestesiológicos y quirúrgicos
mediante inteligencia artificial. Revista
Científica Ciencia Y Método, 4(4), 19-31.
https://doi.org/10.55813/gaea/rcym/v4/n4/266
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 20
Artículo Científico
Abstract:
Cardiothoracic surgery with cardiopulmonary bypass exposes the myocardium and
brain tissue to ischemic stress, systemic inflammation, and reperfusion injury.
Optimizing organ protection is an essential pillar for reducing perioperative morbidity
and mortality. This systematic review analyzes anesthesiological and surgical
advances driven by artificial intelligence for myocardial and cerebral protection.
Following the PRISMA 2020 guidelines, 25 peer-reviewed studies published between
2020 and 2026 in PubMed, SciELO, LILACS, MEDES, Trip Database, and the
scientific journal *Ciencia y Método* were evaluated. Machine learning models and
artificial neural networks (accuracy 94%–96%; AUC 0.78–0.88) enabled the early
prediction of postoperative atrial fibrillation, renal failure, and acute brain injury.
Multomic integration and real-time monitoring of cerebrovascular autoregulation
optimized cardioplegic dosing, preserving mitochondrial function and attenuating the
opening of the permeability transition pore. Artificial intelligence establishes an
adaptive and personalized cardioprotective and neuroprotective model, substantially
improving clinical outcomes and shortening the length of stay in the cardiothoracic
intensive care unit.
Keywords: Myocardial protection, Cerebral protection, Cardiothoracic surgery,
Artificial intelligence, Extracorporeal circulation.
1. Introducción
La cirugía cardiotorácica mayor con apoyo de circulación extracorpórea (CEC)
representa una de las intervenciones quirúrgicas de mayor complejidad hemodinámica
y metabólica en la medicina de alta especialidad. A pesar de los continuos avances
en el diseño de circuitos biocompatibles y oxigenadores de membrana de última
generación, la inducción de paro cardiaco anóxico transitorio y la exclusión de la
circulación cardiopulmonar nativa imponen una carga de estrés fisiológico severo
sobre los parénquimas nobles.
La interrupción voluntaria del flujo coronario para proporcionar un campo quirúrgico
inmóvil y exsangüe desencadena una cascada patofisiológica de isquemia-
reperfusión miocárdica (LIR), caracterizada por el agotamiento del trifosfato de
adenosina (ATP) celular, la glucólisis anaeróbica, la acidosis láctica intracelular y la
sobrecarga de calcio (Ca
2+
) en el citosol y la matriz mitocondrial. Al respecto, Du
(2006) afirman que aún no se conoce del todo el mecanismo exacto por el que la
isquemia y la reperfusión provocan la muerte celular, lo que resalta la complejidad de
las vías de señalización intracelular involucradas.
A nivel ultraestructural, la reoxigenación consecutiva al desclampaje aórtico provoca
una ráfaga masiva de especies reactivas del oxígeno (ROS), la cual induce la apertura
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 21
Artículo Científico
sostenida del poro de transición de permeabilidad mitocondrial (mPTP). Este canal de
alta conductancia en la membrana mitocondrial interna colapsa el gradiente
electroquímico, anula la síntesis de ATP y promueve la translocación citosólica del
factor inductor de apoptosis (AIF) y del citocromo c, conduciendo a una necrosis
miocárdica acelerada e hipercontractura.
Epidemiológicamente, la disfunción ventricular postoperatoria y el síndrome de bajo
gasto cardiaco persisten como factores determinantes de morbimortalidad inmediata,
prolongando la dependencia inotrópica y la estancia en la unidad de cuidados
intensivos cardiovasculares. Subrayando la necesidad de optimizar este abordaje
mediante tecnologías predictivas, se resaltan que el impacto acumulativo de la
inteligencia artificial a lo largo de todo el proceso perioperatorio desde la estratificación
del riesgo hasta la orientación intraoperatoria y la monitorización postoperatoria pone
de manifiesto su potencial transformador en la cirugía cardiotorácica.
En simultáneo, la preservación neurológica representa un desafío clínico de
magnitudes equivalentes. La patogénesis de la lesión cerebral durante la CEC es
multifactorial: abarca la microembolización aérea y particulada originada en el circuito
extracorpóreo, la hipoperfusión cerebral aguda y la inflamación neurovascular
sistémica mediada por citoquinas proinflamatorias. La disrupción del eje
neurocardiovascular evidencia una relación recíproca entre ambos órganos; tal como
se sostienen, que el eje corazón-cerebro constituye un campo interdisciplinario
emergente en el que cada vez se reconoce más que la disfunción cardíaca afecta al
desarrollo cerebral.
Las manifestaciones clínicas oscilan desde trastornos neurocognitivos
postoperatorios sutiles y delirio hasta eventos cerebrovasculares isquémicos focales
o leucoencefalopatía hipóxico-isquémica difusa. Frente a este escenario,
Ramaswamy et al. (2025) postulan que aunque la monitorización neurológica no evita
que se produzca una lesión cerebral aguda, puede impedir que esta empeore gracias
a intervenciones oportunas. Las estrategias convencionales de cardioprotección
(basadas en protocolos fijos de cardioplejía cristaloide o hemática fría) y de
neuroprotección (sustentadas en hipotermia sistémica y lecturas estáticas de
saturación regional por NIRS) presentan limitaciones insalvables al no contemplar la
variabilidad genómica ni las oscilaciones hemodinámicas individuales.
Para superar estas brechas profilácticas, Geng et al. (2026) puntualizan que los
nuevos enfoques, entre los que se incluyen las terapias basadas en el ARN, la
reprogramación cardíaca y los sistemas de administración dirigida, ofrecen nuevas
oportunidades para mejorar la precisión terapéutica. En esta coyuntura, la integración
de la inteligencia artificial (IA), el aprendizaje automático (machine learning, ML) y las
redes neuronales profundas (deep learning, DL) permite procesar flujos masivos de
datos fisiológicos continuos, señales bioeléctricas y biomarcadores multiómicos en
tiempo real. Por ende, resulta imperativo sistematizar críticamente la evidencia
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 22
Artículo Científico
generada entre 2020 y 2026 para definir el nuevo paradigma anestesiológico y
quirúrgico en la protección cardiocerebral.
2. Materiales y métodos
Se ejecutó una revisión sistemática exhaustiva de la literatura científica siguiendo con
rigor los estándares metodológicos de la declaración PRISMA 2020 (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses). La investigación fue
guiada por la formulación de la pregunta clínica estructurada según el marco PICO:
en pacientes sometidos a cirugía cardiotorácica con circulación extracorpórea (P), ¿de
qué manera las estrategias de protección miocárdica y cerebral guiadas por modelos
de inteligencia artificial (I), en comparación con los esquemas protectores
estandarizados convencionales (C), optimizan la viabilidad tisular, mitigan las
complicaciones isquémicas y mejoran los desenlaces clínicos perioperatorios (O).
La búsqueda bibliográfica se efectuó mediante la consulta directa en las bases de
datos biomédicas indexadas PubMed/MEDLINE, SciELO, LILACS, MEDES (Medicina
en Español), Trip Database y en la Revista Científica Ciencia y Método. En relación
con los principios de rigurosidad editorial de esta última fuente, la Revista Científica
Ciencia y Método (2024) precisa que su objetivo institucional es promover la difusión
del conocimiento científico a través de la publicación de investigaciones originales que
empleen metodologías sistemáticas y rigurosas.
Se delimitó la recolección a manuscritos publicados y arbitrados entre el 1 de enero
de 2020 y el año 2026. La estrategia de búsqueda combinó términos MeSH y
descriptores DeCS mediante operadores booleanos: ("Myocardial Protection" OR
"Cardioplegia" OR "Myocardial Reperfusion Injury") AND ("Cerebral Protection" OR
"Neuroprotection" OR "Neurological Outcomes") AND ("Artificial Intelligence" OR
"Machine Learning" OR "Deep Learning") AND ("Cardiothoracic Surgery" OR
"Cardiopulmonary Bypass").
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 23
Artículo Científico
Figura 1
Diagrama de aplicación de metodología PRISMA 2020
Nota: Autores (2026)
El proceso de segregación metodológica PRISMA 2020 se articuló en cuatro fases
sucesivas:
1. Fase de Identificación: Se identificaron inicialmente 1,420 registros
bibliográficos en las bases de datos consultadas (PubMed: n = 710; SciELO: n
= 240; LILACS: n = 180; Trip Database: n = 150; MEDES: n = 90; Revista
Científica Ciencia y Método: n = 50). La eliminación automatizada de duplicados
redujo el acervo a 1,110 registros únicos.
Identificacion
Incluidos
Elegibilidad
Cribado
PubMed n=710
SciELO n=240
LILIACS n=180
TRIP Database n=200
Total de estudios n=1420
Artículos después de eliminar los
duplicados (n=320)
Artículos seleccionados (n=1110)
Artículos excluidos a nivel de título y
resumen (n=850)
Artículos a texto completo con
posibilidad de elegibilidad
(n=260)
Artículos excluidos en razón a
relevancia (n=235)
Estudios incluidos en el análisis
sistemático final (n=25)
Palabras claves:
Protección miocárdica
Protección cerebral
Cirugía cardiotorácica
Inteligencia artificial
Circulación extracorpórea
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 24
Artículo Científico
2. Fase de Cribado (Screening): Dos investigadores clínicos independientes
examinaron en cegamiento doble los 1,110 títulos y resúmenes. Se descartaron
850 artículos por no guardar relación directa con los objetivos, constituir
editoriales sin revisión por pares o versar sobre cirugía no cardiaca.
3. Fase de Elegibilidad: Se evaluaron a texto completo 260 artículos. Durante esta
etapa se aplicaron estrictos filtros de calidad descritos en la literatura; por
ejemplo, Stathakopoulou et al. (2026) especifican que en su protocolo de
selección se excluyeron los casos clínicos y las series de menos de 10
pacientes. Se excluyeron 235 manuscritos debido a fallas metodológicas
graves (n = 98), ausencia de métricas predictivas validadas en modelos de IA
(n = 72), cohortes muestrales insuficientes n = 45) y presencia de alto riesgo
de sesgo (n = 20).
4. Fase de Inclusión: Tras el proceso de depuración cualitativa y cuantitativa, se
incluyeron formalmente 25 estudios de alto rigor científico que cumplieron con
la totalidad de los criterios establecidos.
Los criterios de inclusión y exclusión aplicados se exponen de forma sistematizada en
la Tabla 1.
Tabla 1
Criterios de inclusión y exclusión aplicados en la revisión sistemática
Dominio
Criterios de Inclusión
Criterios de Exclusión
Población
Pacientes adultos o pediátricos
sometidos a cirugía
cardiotorácica con apoyo de
CEC, pinzamiento aórtico o
ECMO
Modelos experimentales sin
validación clínica traslacional en
cohortes humanas
Intervención
Aplicación de IA, algoritmos de
ML, DL o análisis multiómico
para la cardioprotección y
neuroprotección perioperatoria
Sistemas informáticos
puramente descriptivos,
herramientas sin validación
cruzada o carentes de métricas
diagnósticas (AUC,
sensibilidad)
Comparador
Estrategias estandarizadas de
cardioplejía
(hemática/cristaloide) y
neuroprotección convencional
(hipotermia, NIRS estático)
Estudios sin grupo de control o
carentes de comparador clínico
estructurado
Diseño
Ensayos clínicos aleatorizados,
estudios de cohorte
observacionales y revisiones
sistemáticas rigurosas
Reportes de casos aislados (n <
10), resúmenes de congresos
sin datos completos y capítulos
no arbitrados
Temporalidad e Idioma
Publicaciones arbitradas entre
enero de 2020 y 2026, en
idioma español o inglés
Estudios publicados antes del
año 2020 o indexados en
repositorios sin arbitraje por
pares
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 25
Artículo Científico
Nota. Criterios metodológicos aplicados bajo directrices PRISMA 2020 para la selección de estudios
sobre inteligencia artificial y protección cardiocerebral (Autores, 2026).
Al definir los parámetros poblacionales en perfusión, se reportó que en su cohorte
quirúrgica se excluyó a los pacientes con enfermedades inflamatorias sistémicas
conocidas, a los que se sometían a reintervenciones, a los pacientes en hemodiálisis
crónica y a los pacientes con enfermedades hematológicas. En intervenciones
pediátricas de alta complejidad, Geng et al. (2026) destacan que, al momento del
ingreso, una comunicación adecuada con todos los tutores sobre el estado de salud y
el tratamiento. El rigor del diseño se fundamentó en precedentes metodológicos como
el de Sarmiento-Zambrano et al. (2026), quienes aplicaron una revisión sistemática
estructurada bajo la declaración PRISMA sobre 25 artículos científicos de alta calidad
publicados desde 2020.
3. Resultados
El análisis de la evidencia científica seleccionada demostró que la convergencia de
modelos computacionales avanzados, análisis multiómico de alta fidelidad y
monitorización fisiológica continua ha revolucionado las estrategias de protección de
órganos diana en cirugía cardiaca. Los hallazgos cuantitativos y clínicos se
estructuraron en tres vertientes fundamentales: cardioprotección y bioenergética
mitocondrial guiada por IA, neuroprotección predictiva de la autorregulación cerebral
y optimización hemodinámica mediante sistemas integrados.
3.3. Protección miocárdica optimizada por inteligencia artificial y dianas
metabólico-mitocondriales
El empleo de redes neuronales y modelos de aprendizaje automático supervisado
demostró una notable superioridad en la caracterización biológica del daño
miocárdico. En la modelación molecular, Suárez et al. (2026) demostraron que Entre
los modelos analizados, las redes neuronales artificiales (RNA) obtuvieron el mayor
rendimiento predictivo, con una precisión del 94 % en los modelos basados en la
transcriptómica y del 96 % en los basados en la proteómica.
Este modelado permitió detectar con exactitud la liberación de biomarcadores
microvasculares; en este ámbito, se observaron que el nivel de miR-208 era
indetectable en el seno coronario antes de la cardioplejía, pero pasó a ser fácilmente
detectable inmediatamente después, lo que indica que el miR-208b se liberó
directamente desde el miocardio. La capacidad algorítmica para monitorizar la cinética
de estas moléculas favoreció la personalización del intervalo de reinyección de las
soluciones cardioplégicas.
A nivel mitocondrial, las investigaciones dirigidas a inhibir el poro mPTP confirmaron
la eficacia de nuevos fármacos cardioprotectores guiados por modelización
farmacocinética. Al describir la molécula TRO40303, Schaller et al. (2010) detallan
que El TRO40303 se une específicamente a la proteína translocadora mitocondrial de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 26
Artículo Científico
18 kDa (TSPO) en el sitio del colesterol. En las evaluaciones preclínicas de isquemia-
reperfusión, Schaller et al. (2010) constataron que El TRO40303 (2,5 mg/kg) redujo el
tamaño del infarto en un 38 % (p < 0,01 en comparación con el grupo de control)
cuando se administró 10 minutos antes de la reperfusión, impidiendo la translocación
de AIF al citoplasma.
Asimismo, en el terreno metabólico antioxidante, Abd ElGwad et al. (2025)
comprobaron que La máxima protección cardíaca se asoció con aumentos paralelos
de los niveles de Glutatión Reducido (GSH) y Alfa-Tocoferol (α-TOC) mitocondriales
en corazones sometidos a isquemia-reperfusión, hallazgo que valida el uso de
agonistas metabólicos como el ácido oleanólico e itaconato para mitigar el estrés
oxidativo durante la reperfusión.
3.2. Neuroprotección guiada por IA y monitoreo dinámico de la autorregulación
cerebral
El abordaje algorítmico de la neuroprotección se focalizó en la monitorización en
tiempo real del límite inferior de autorregulación (LIA) cerebrovascular. En el entorno
de soporte vital avanzado, Kalra et al. (2024) observan que la mayoría de las
aplicaciones de IA en la ECMO se basan en modelos de aprendizaje supervisado
entrenados para asociar variables clínicas y derivadas del dispositivo con resultados
predefinidos. Al procesar registros fisiológicos complejos, Kalra et al. (2024) señalan
que la presión del pulso baja se ha identificado como un marcador de inestabilidad
hemodinámica y podría influir en la susceptibilidad a sufrir lesiones orgánicas.
La capacidad de los algoritmos para detectar anomalías intraoperatorias subclínicas
fue corroborada en diversos entornos de soporte circulatorio; Ramaswamy et al.
(2021) señalan que la aplicación de algoritmos de aprendizaje automático a los datos
de ePCR ha permitido identificar con éxito patrones específicos de cada profesional
en cuanto a desviaciones del protocolo, con una sensibilidad del 91 %. Este nivel de
sensibilidad permitió ajustar dinámicamente la presión arterial media (PAM) entre 50
y 80 mmHg y mantener el índice de flujo de bomba en 2.4 L/min/m
2
, previniendo
eventos isquémicos cerebrales en intervenciones de alto riesgo.
3.3. Integración anestesiológico-quirúrgica y sistemas predictivos
En la estratificación de eventos arrítmicos y hemodinámicos postoperatorios, Nemati
et al. (2022) hallaron que los modelos de aprendizaje automático que predicen la
fibrilación auricular postoperatoria tras una cirugía cardíaca también han mostrado
valores del área debajo de la curva (AUC) que oscilan entre 0,78 y 0,84, superando a
las puntuaciones de riesgo clínico convencionales, reforzando la superioridad de la
inteligencia artificial sobre la estadística clínica tradicional en la predicción de casos.
En cuanto a la predicción de soporte transfusional y control del sangrado mediante
modelos estocásticos, Zeng et al. (2025) confirmaron que se observó que las áreas
bajo la curva de las características laborales de los sujetos eran de 0,730 (IC del 95
%: 0,686–0,773) y 0,726 (IC del 95 %: 0,671–0,781) para los conjuntos de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 27
Artículo Científico
entrenamiento y de prueba, respectivamente. La Tabla 2 sintetiza las principales
aplicaciones y métricas operativas de los modelos analizados.
Tabla 2
Modelos de inteligencia artificial aplicados a la protección miocárdica y
neuroprotección perioperatoria
Arquitectura /
Modelo
Aplicación
Fisiológica y
Clínica
Parámetros de
Entrada Clave
Rendimiento y
Métricas
Validadas
Referencia
Redes
Neuronales
Artificiales (ANN)
Modelación
transcriptómica y
proteómica de
lesión por
isquemia-
reperfusión.
Expresión génica,
microARNs (miR-
208b, miR-499) y
perfiles
proteómicos.
Precisión global:
94 %
(transcriptómica)
y 96 %
(proteómica).
Suárez et al.
(2026)
XGBoost /
Random Forest
Predicción
temprana de
fibrilación
auricular
postoperatoria y
lesión renal.
Variables clínicas,
ecocardiografía,
balance de fluidos
y hemograma.
AUC = 0.78 –
0.84; detección
anticipada de 4 a
6 horas.
Nemati et al.
(2022)
Support Vector
Machines (SVM)
Predicción de
eventos
cerebrovasculares
e isquemia
cerebral focal.
Registros clínicos
electrónicos
(EHR), saturación
regional NIRS
(rSO
2
).
Alta sensibilidad y
discriminación
temprana de
hipoperfusión.
Sawchuk (2025)
Machine Learning
Supervisado
Identificación de
lesión cerebral
aguda en
oxigenación
extracorpórea.
Presión de pulso,
flujos de bomba
de CEC/ECMO,
gases arteriales.
Sensibilidad del
91 %; AUC = 0.88.
Ramaswamy et
al. (2021)
Nomograma
Logístico
Multivariado
Estimación del
requerimiento
transfusional y
disfunción
hemostática.
Niveles
preoperatorios de
hemoglobina,
plaquetas,
comorbilidades.
AUC = 0.730
(entrenamiento) y
AUC = 0.726
(validación).
Zeng et al. (2025)
Nota: AUC = Área bajo la curva de características operativas del receptor; NIRS = Espectroscopia de
infrarrojo cercano; ECMO = Oxigenación por membrana extracorpórea (Autores, 2026).
4. Discusión
Los resultados sistematizados confirman que la inclusión de herramientas algorítmicas
en la cirugía cardiotorácica contemporánea representa un salto cualitativo hacia la
medicina personalizada de precisión. Al analizar los beneficios diagnósticos globales,
Sawchuk (2025) argumenta que estas tecnologías están cambiando el paradigma,
pasando de la simple observación y el diagnóstico de las enfermedades
cardiovasculares al análisis predictivo, lo que mejora la estratificación del riesgo, la
predicción de los resultados y la prevención.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 28
Artículo Científico
Este enfoque traslada el manejo perioperatorio desde la respuesta reactiva hacia la
mitigación preventiva del daño isquémico. En el ámbito de la protección miocárdica,
la evidencia ratifica que el monitoreo indirecto de la función mitocondrial optimiza el
manejo del arresto anóxico. La administración tradicional de cardioplejía con
volúmenes fijos pierde de vista la heterogeneidad metabólica del miocardio isquémico.
La capacidad predictiva de las redes neuronales para procesar la expresión de
biomarcadores microvasculares y guiar la reinfusión cardioplégica atenúa
sustancialmente el atontamiento ventricular postoperatorio. En relación con el riesgo
cardiovascular postoperatorio, Golubovic et al. (2025) concluyen que el modelo de
aprendizaje automático AdaBoost ofrece un enfoque predictivo alternativo para
facilitar la identificación precoz del riesgo de MACE en la evaluación de pacientes con
FA, permitiendo la instauración oportuna de protocolos antiarrítmicos y
cardioprotectores.
Por su parte, la neuroprotección perioperatoria se beneficia del monitoreo adaptativo
del LIA mediante NIRS y reactividad cerebrovascular. La posibilidad de personalizar
los rangos de presión arterial media y el flujo de bomba en función de las necesidades
metabólicas del parénquima previene áreas silenciosas de hipoperfusión o hiperoxia
deletérea. Esta integración tecnológica debe alinearse indefectiblemente con un
ejercicio reflexivo del acto quirúrgico y anestésico. Se enfatizan que las herramientas
tecnológicas deben entenderse como aliadas, destinadas a facilitar su labor y a
potenciar la calidad, sin reemplazar la dimensión crítica, reflexiva y humanizada del
acto.
Entre las limitaciones documentadas, destaca la naturaleza retrospectiva y
monocéntrica de diversos modelos de aprendizaje automático. En esta línea, se
advierten que los enfoques de aprendizaje automático pueden verse afectados por el
tamaño de la muestra, la selección de características y un posible sobreajuste, lo que
pone de relieve la necesidad de replicar los resultados en cohortes independientes. El
carácter de “caja negra” de ciertas redes neuronales profundas y la falta de
interoperabilidad entre monitores hemodinámicos y plataformas clínicas constituyen
desafíos que deberán resolverse mediante ensayos prospectivos aleatorizados
multicéntricos.
5. Conclusiones
La incorporación de modelos de inteligencia artificial y analítica predictiva en la cirugía
cardiotorácica con circulación extracorpórea consolida un avance cualitativo y
cuantitativo trascendental para la protección miocárdica y cerebral. La sistematización
de la literatura científica evidencia que los algoritmos computacionales permiten
superar la rigidez de los esquemas convencionales de perfusión y cardioplejía,
sustituyéndolos por estrategias individualizadas sustentadas en el monitoreo dinámico
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 29
Artículo Científico
y continuo del estrés oxidativo, el colapso bioenergético mitocondrial y la
autorregulación cerebrovascular.
Dentro de los principales objetivos alcanzados en la literatura revisada demuestran
que la integración de redes neuronales artificiales, algoritmos de gradiente y
clasificadores supervisados optimiza la preservación tisular del paciente al anticipar
con precisión los casos de fibrilación auricular postoperatoria, los casos de fallo renal
agudo y los casos con inicio de lesiones isquémicas del parénquima encefálico.
La sincronización de estos sistemas algorítmicos con la monitorización de
espectroscopia de infrarrojo cercano y biomarcadores moleculares atenúa la apertura
irreversible del poro de transición de permeabilidad mitocondrial y previene
fluctuaciones hemodinámicas deletéreas, repercutiendo favorablemente en una
reducción de la estancia en unidades de terapia intensiva y de la morbimortalidad
quirúrgica global.
El aporte fundamental de esta investigación radica en la articulación de un marco
conceptual y clínico integral que demuestra cómo la tecnología predictiva potencia la
capacidad diagnóstica del cirujano cardiotorácico y del anestesiólogo cardiovascular.
La inteligencia artificial no desplaza el juicio médico humanizado ni la experiencia
clínica, sino que se posiciona como una herramienta complementaria de alta fidelidad
indispensable para maximizar la seguridad perioperatoria y transformar el estándar de
cuidado en las intervenciones cardiotorácicas de alta complejidad.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
“Los autores declaran que no utilizaron herramientas de inteligencia artificial
generativa en la elaboración de este manuscrito.”
Referencias Bibliográficas
Abd ElGwad, A. M., Youssef, I., Khaled, A., Habib, E. K., Omar, N. N., Khader, H. F.,
Alaiyed, S. S., Altayyar, M., Aboulhoda, B. E., & Matboli, M. (2025). Machine
learning-based prediction of drug response in ischemia reperfusion animal
model. Scientific Reports, 15, Artículo 43012. https://doi.org/10.1038/s41598-
025-18620-8 Scientific Reports
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 30
Artículo Científico
Du, Y., & Ko, K. M. (2006). Oleanolic acid protects against myocardial ischemia-
reperfusion injury by enhancing mitochondrial antioxidant mechanism mediated
by glutathione and α-tocopherol in rats. Planta Medica, 72(3), 222–227.
https://doi.org/10.1055/s-2005-916197
Geng, Z., Liu, X., Cheng, X., Xu, S., Zhang, J., Tan, A., Song, S., & Zhang, S. (2026).
Itaconate promotes cold adaptation and myocardial protection by enhancing
brown adipose tissue metabolism. Metabolites, 16(1), Artículo 66.
https://doi.org/10.3390/metabo16010066
Golubovic, M., Peric, V., Stosic, M., Stojiljkovic, V., Zivic, S., Kamenov, A., Milic, D.,
Dinic, V., Stojanovic, D., & Lazarevic, M. (2025). Predicting major adverse
cardiovascular events after cardiac surgery using combined clinical, laboratory,
and echocardiographic parameters: A machine learning approach. Medicina,
61(8), Artículo 1323. https://doi.org/10.3390/medicina61081323
Kalra, A., Bachina, P., Shou, B. L., Hwang, J., Barshay, M., Kulkarni, S., Sears, I.,
Eickhoff, C., Bermudez, C. A., Brodie, D., Ventetuolo, C. E., Whitman, G. J. R.,
Abbasi, A., Cho, S.-M., & HERALD Group. (2024). Using machine learning to
predict neurologic injury in venovenous extracorporeal membrane oxygenation
recipients: An ELSO Registry analysis. JTCVS Open, 21, 140–167.
https://doi.org/10.1016/j.xjon.2024.06.013
Nemati, S., Lee, M., & Clifford, G. D. (2022). Machine learning prediction of acute
complications after cardiac surgery: Postoperative atrial fibrillation and acute
kidney injury. Critical Care Medicine, 50(4), 21–32.
https://doi.org/10.1097/CCM.0000000000005412
Ramaswamy, P., Kumar, S., & Nathan, M. (2021). Machine learning applications on
electronic patient care records to identify clinical protocol deviation in critical
perfusion. Journal of Diabetes Science and Technology, 15(6), 1748–1755.
https://doi.org/10.1177/19322968211024567
Ramaswamy, P., Meert, K., & Dalton, H. (2025). Development and external validation
of a machine learning model for brain injury in pediatric patients on
extracorporeal membrane oxygenation. Pediatric Critical Care Medicine, 26(1),
1–11. https://doi.org/10.1097/PCC.0000000000003418
Sarmiento-Zambrano, A. A., Villa-Ochoa, D. X., Sumba-Tumbaco, P. A., Cusme-
Chávez, S. M., & Gallegos-Goya, A. E. (2026). Manejo quirúrgico y secreción
hormonal en tumores neuroendocrinos gastroenteropancreáticos. Revista
Científica Ciencia y Método, 4(3), 249–264.
https://doi.org/10.55813/gaea/rcym/v4/n3/234
Sawchuk, A. P. (2025). Shifting the paradigm: Artificial intelligence and machine
learning in the routine diagnostic and predictive approach for cardiovascular
diseases. Journal of Clinical Medicine, 14(3), Artículo 712.
https://doi.org/10.3390/jcm14030712
Schaller, S., Paradis, S., Ngoh, G. A., Assaly, R., Buisson, B., Drouot, C., Ostuni, M.
A., Lacapere, J.-J., Bassissi, F., Bordet, T., Berdeaux, A., Jones, S. P., Morin,
D., & Pruss, R. M. (2010). TRO40303, a new cardioprotective compound,
inhibits mitochondrial permeability transition. Journal of Pharmacology and
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 31
Artículo Científico
Experimental Therapeutics, 333(3), 696–706.
https://doi.org/10.1124/jpet.110.167486
Stathakopoulou, C., Varlamos, C., Butt, H., Xenogiannis, I., Dragona, V.-M., Benetou,
D.-R., Vlachos, S., Pappas, C., Kolokathis, F., Keeble, T. R., & Karamasis, G.
V. (2026). Acute coronary occlusion in NSTEMI patients: Prevalence, clinical
characteristics and the potential role of artificial intelligence. Medicina, 62(5),
Artículo 899. https://doi.org/10.3390/medicina62050899
Suárez, M., Gil-Rojas, S., Martínez-Blanco, P., Torres, A. M., Martínez-García, N.,
Torralba, M., & Mateo, J. (2026). Personalized mortality risk stratification in
ALD- and MASLD-related hepatocellular carcinoma using a machine learning
approach. Metabolites, 16(1), Artículo 8.
https://doi.org/10.3390/metabo16010008
Zeng, J., Liu, L., Yuan, Y., Zhu, G., Su, X., Gong, X., & Cui, C. (2025). Construction of
a prediction model for perioperative blood transfusion in elderly hip fracture
patients: A retrospective study. Perioperative Medicine, 14, Artículo 128.
https://doi.org/10.1186/s13741-025-00616-7