Effectiveness of AI Models for Cardiovascular Disease Diagnosis: A Systematic Review and Meta-analysis.
Introduction. Cardiovascular disease represents a substantial global health burden, and delays in diagnosis can further compromise clinical outcomes. Objective. This review aimed to evaluate the diagnostic effectiveness of artificial intelligence models across major cardiovascular conditions, with a...
| Publicado en: | Revista de Investigación e Innovación en Ciencias de la Salud (RIICS) Vol. 8; no. 1; pp. 1 - 31 |
|---|---|
| Autores principales: | , , , |
| Formato: | research systematic review tables/charts Journal Article |
| Publicado: |
Fundacion Universitaria Maria Cano
2026
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=ccm&AN=190268092&site=ehost-live header: @attributes: shortDbName: ccm uiTerm: 190268092 longDbName: CINAHL Complete uiTag: AN controlInfo: bkinfo: dissinfo: jinfo: jid: 26652056 MLN5 jtl: Revista de Investigación e Innovación en Ciencias de la Salud (RIICS) issn: 26652056 maglogo: N pubinfo: dt: 2026 vid: 8 iid: 1 pid: 58645 pub: Fundacion Universitaria Maria Cano artinfo: ui: 190268092 190268092 190268092 10.46634/riics.504 190268092 ppf: 1 ppct: 30 formats: fmt: @attributes: type: P tig: atl: Effectiveness of AI Models for Cardiovascular Disease Diagnosis: A Systematic Review and Meta-analysis. aug: au: Zepeda-Lugo, Carlos Sanchez-Lizarraga, Marcos Insfran-Rivarola, Andrea Arévalos, Ana Pamela affil: Faculty of Engineering, Architecture and Design, Universidad Autónoma de Baja California, Ensenada, Baja California, Mexico. sug: subj: Heart Failure Diagnosis Myocardial Infarction Diagnosis Coronary Arteriosclerosis Diagnosis Acute Coronary Syndrome Diagnosis, Computer Assisted Artificial Intelligence Treatment Outcomes Evaluation Human Systematic Review Meta Analysis Cardiovascular Diseases Diagnosis Descriptive Statistics Confidence Intervals Medline PubMed Embase ab: Introduction. Cardiovascular disease represents a substantial global health burden, and delays in diagnosis can further compromise clinical outcomes. Objective. This review aimed to evaluate the diagnostic effectiveness of artificial intelligence models across major cardiovascular conditions, with a specific focus on coronary artery disease, acute coronary syndromes and myocardial infarction, and heart failure. Method. Following PRISMA guidelines, we conducted a systematic review and applied meta-analytical techniques to pool measures of diagnostic performance. Random effects models with restricted maximum likelihood and Hartung–Knapp adjustments were used to calculate summary estimates, and analyses were stratified by cardiovascular condition. Only effects with variance (reported 95% CI or derivable denominators) were pooled. Areas under the receiver operating characteristic curve without variance were synthesized narratively. Results. Out of 39,383 records, thirty-five studies were eligible. The pooled area under the receiver operating characteristic curve was 0.823 (95% confidence interval 0.754–0.892). Heterogeneity was considerable (I² = 98.4%), and the 95% prediction interval was 0.59 to 1. However, 9 of 35 included studies reported external/independent validation. The pooled estimate therefore represents an overall descriptive average, reflecting the expected range of diagnostic performance rather than a single universal value. Stratified results showed pooled values of 0.88 for acute coronary syndromes and myocardial infarction, 0.87 for heart failure, and 0.86 for coronary artery disease. Sensitivity often reached 0.90 or higher in electrocardiography deep learning models, while specificity remained variable. Conclusion. Artificial intelligence models demonstrated promising discrimination across cardiovascular conditions, with variable specificity and predictive value, indicating that clinical utility requires external validation and local calibration. Introducción. Las enfermedades cardiovasculares representan una carga sustancial a nivel mundial, y los retrasos en su diagnóstico pueden comprometer de forma directa los resultados clínicos. Objetivo. Esta revisión tuvo como objetivo evaluar la efectividad diagnóstica de los modelos de inteligencia artificial aplicados a las principales enfermedades cardiovasculares, con énfasis en la enfermedad arterial coronaria, los síndromes coronarios agudos e infarto de miocardio, y la insuficiencia cardíaca. Método. Siguiendo las directrices PRISMA, se realizó una revisión sistemática y se aplicaron técnicas de metaanálisis para integrar las medidas de desempeño diagnóstico. Se emplearon modelos de efectos aleatorios con estimación de máxima verosimilitud restringida y ajustes de Hartung–Knapp para obtener estimaciones globales, estratificando los análisis según la condición cardiovascular. Solo se combinaron los efectos que contaban con varianza, es decir, aquellos que reportaban o permitían calcular intervalos de confianza del 95 %. Los valores del área bajo la curva sin varianza se analizaron de forma narrativa. Resultados. De un total de 39,383 registros, treinta y cinco estudios cumplieron con los criterios de inclusión. El área bajo la curva resumen fue de 0.823 (IC 95%: 0.754–0.892). La heterogeneidad fue considerable (I² = 98.4%) y el intervalo de predicción del 95% osciló entre 0.59 y 1. Sin embargo, solo 9 de los 35 estudios incluidos reportaron validación externa o independiente. Por lo tanto, la estimación combinada debe interpretarse como un promedio descriptivo general, que refleja el rango esperado de desempeño diagnóstico, más que un valor universal. Los resultados estratificados mostraron valores agrupados de 0.88 para síndromes coronarios agudos e infarto de miocardio, 0.87 para insuficiencia cardíaca y 0.86 para enfermedad arterial coronaria. En los modelos de aprendizaje profundo basados en electrocardiografía, la sensibilidad alcanzó frecuentemente valores de 0.90 o superiores, mientras que la especificidad mostró mayor variabilidad. Conclusión. Los modelos de inteligencia artificial mostraron una capacidad discriminativa prometedora en las distintas enfermedades cardiovasculares, aunque con especificidad y valor predictivo variables. Estos hallazgos sugieren que su aplicación clínica requiere validación externa y calibración local antes de su integración en la práctica médica. pubtype: Academic Journal doctype: meta analysis research systematic review tables/charts Journal Article ougenre: Article language: English refInfo: holdings: @attributes: islocal: N |
|---|