Un reciente estudio publicado en Frontiers in Cardiovascular Medicine presenta un modelo de aprendizaje automático que utiliza 13 indicadores rutinarios de laboratorio para diferenciar la insuficiencia cardíaca con fracción de eyección reducida (IC-FEr) de otras formas como la insuficiencia cardíaca con fracción de eyección levemente reducida o preservada (IC-FEmr/IC-FEp). Analizando a 1,480 pacientes hospitalizados con insuficiencia cardíaca crónica, de los cuales 377 tenían IC-FEr y 1,103 IC-FEmr/IC-FEp, se aplicaron seis algoritmos que destacaron la capacidad discriminativa moderada de este método. El modelo identificó niveles elevados en IC-FEr de péptido natriurético pro-B tipo, nitrógeno ureico en sangre, bilirrubina total y directa, gamma-glutamil transferasa, hematocrito y ácido úrico. Entre los algoritmos, Random Forest y XGBoost alcanzaron las mayores áreas bajo la curva ROC (0.789), mientras que la regresión logística mostró una discriminación similar (AUC 0.784) y buena calibración. Para mejorar la sensibilidad, el umbral del Random Forest se ajustó, incrementando la sensibilidad a 0.912 y el valor predictivo negativo a 0.935, lo que sugiere su utilidad como herramienta de triaje para priorizar ecocardiografías. El péptido proBNP fue el predictor más relevante según el análisis SHAP. Los autores recomiendan que el modelo complemente, pero no reemplace, la evaluación ecocardiográfica, esperando validación externa y prospectiva.