“Diálogos en Salud” es un espacio de conversación sobre temas médicos relevantes, enfocados en prevención, diagnóstico y tratamiento. Profesionales de la salud comparten conocimientos de forma clara, directa y basada en evidencia.Un contenido riguroso y actualizado, dirigido tanto a profesionales sanitarios como al público general interesado en la salud cardiovascular.
🔊 Disclaimer: Este pódcast se ha elaborado con el apoyo de herramientas de inteligencia artificial para la redacción y estructuración del contenido. No obstante, todo el material ha sido supervisado, editado y validado personalmente por mí para garantizar su precisión y fidelidad a la evidencia científica.
¿El fin de contar calorías? Por qué importa más el patrón dietético que el macronutriente.
¿Seguimos limitando nuestra visión de la nutrición a sumar grasas y restar carbohidratos? La ciencia cardiovascular dice que es hora de evolucionar. En este episodio, desglosamos el último y revelador documento científico del American College of Cardiology (ACC) de 2026.
Qué aprenderás en este episodio:
El cambio de paradigma: Por qué el riesgo cardiovascular está más influenciado por la fuente del alimento y su grado de procesamiento que por la proporción de proteínas, grasas y carbohidratos.
El peligro de los ultraprocesados: La evidencia contundente para limitar las bebidas azucaradas y las carnes procesadas.
Sinergia farmacológica: Cómo los agonistas del receptor GLP-1 exigen una nutrición de alta calidad para preservar la masa muscular durante la pérdida de peso.
Food is Medicine (FIM): La integración de intervenciones que proveen alimentos saludables de forma estructurada para mejorar los resultados clínicos de los pacientes.
Controversia dietética: Por qué la ACC discrepa con las recientes recomendaciones de la DGA 2025-2030 sobre el consumo de lácteos enteros y proteínas animales.
Créditos: Episodio supervisado y avalado científicamente por el Dr. Lorenzo Fácila.
Hashtags: #Cardiología #Salud #DrFacila #NutricionClinica #ACC2026 #FoodIsMedicine #MedicinaBasadaEnEvidencia
27 Sept 2026
IA en Electrocardiografía 2026: Diagnóstico de Disfunción Diastólica y Riesgo de IC-FEp | Dr. Fácila
¿Es posible detectar las etapas subclínicas de la insuficiencia cardíaca con fracción de eyección preservada a través de un simple trazado electrocardiográfico de rutina?
En este episodio analizamos el primer metaanálisis a gran escala publicado en el European Heart Journal - Digital Health (2026) por Edjimbi y colaboradores, que evalúa la capacidad de los modelos de inteligencia artificial aplicados al ECG de 12 derivaciones para identificar la disfunción diastólica del ventrículo izquierdo (DDVI).
Qué aprenderás en este episodio:
Capacidad diagnóstica global: La IA aplicada al ECG alcanza un área bajo la curva (AUC) de 0,85, con una sensibilidad combinada del 82% y una especificidad del 77% en una cohorte agregada de 105.554 pacientes.
Mecanismo bioeléctrico: Cómo el deep learning identifica huellas sutiles en la repolarización miocárdica y la dinámica de la onda T vinculadas a la rigidez miocárdica antes de que sean evidentes para el ojo clínico.
La trampa del cribado poblacional: Por qué a una prevalencia del 5% el valor predictivo positivo se desploma al 15,8% (generando una cascada innecesaria de ecocardiogramas), mientras que a prevalencias intermedias (22,2%) el valor predictivo negativo alcanza el 93,7%.
Estudios analizados: Repasamos las evidencias de Lee et al. (NPJ Digit Med, n=98.763), Jentzer et al. en UCI cardiológica de la Clínica Mayo (JAHA, n=11.868), Kagiyama et al., Sengupta et al. y Lin & Lu.
Juicio clínico: Por qué la evidencia actual califica a estos modelos como excelentes herramientas de descarte (rule-out) o enriquecimiento de riesgo, pero no para sustitución diagnóstica rutinaria.
Contenido científico elaborado bajo la supervisión directa del Dr. Lorenzo Fácila, cardiólogo clínico del Hospital General Universitario de Valencia.
#Cardiología #InteligenciaArtificial #SaludDigital #DrFacila #Electrocardiograma #InsuficienciaCardiaca #ICFEp #Ecocardiografia #MedicinaDePrecision #MedicinaBasadaEnEvidencia
20 Sept 2026
¿Puede una IA leer un ECG mejor que un cardiólogo en Urgencias?
¿Y si el electrocardiograma de 12 derivaciones ocultara firmas isquémicas que el ojo humano es incapaz de detectar? Hoy analizamos cómo las redes neuronales profundas están transformando el primer contacto médico en los servicios de urgencias.
En este episodio, desglosamos un metaanálisis masivo sobre el rendimiento diagnóstico de la Inteligencia Artificial aplicada al electrocardiograma (IA-ECG) para la detección del Infarto Agudo de Miocardio (IAM).
Qué aprenderás en este episodio:
Escala masiva: Análisis de 10 estudios que agrupan a 94.510 pacientes en diversos entornos clínicos.
Precisión de descarte: La IA-ECG demuestra un Valor Predictivo Negativo (VPN) del 98,7%, consolidándose como una herramienta clave para el "rule-out" seguro y temprano.
Rendimiento dual: Descubre por qué la IA roza la perfección en infartos con elevación del ST (AUC 0,98) pero sigue enfrentando retos fisiológicos en los NSTEMI (AUC 0.71).
Impacto en la práctica: Cómo la transición de una clasificación binaria a una estratificación de riesgo probabilística puede revolucionar el flujo de trabajo clínico y los tiempos puerta-balón.
Escucha el análisis profundo de esta evidencia, producido y editado con los más altos estándares de calidad divulgativa.
Supervisado por el Dr. Lorenzo Fácila, Cardiólogo Clínico.
Reach and audience
Public platform figures. Ratings count people who left a rating, not total listeners.
Spotify
5.0 / 5
1 ratings
Contact Diálogos en Salud
Guest appearances
Does not typically book guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Host of Diálogos en Salud?
Claim your podcast to manage its listing and keep your show details accurate.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine