La inteligencia artificial (IA) está revolucionando muchos campos, y la medicina no es la excepción. En el ámbito obstétrico, el uso de modelos avanzados de IA puede cambiar radicalmente la forma en que se diagnostican y gestionan los embarazos complicados. En este artículo, exploraremos el impacto de la IA en la detección de riesgos en embarazos con restricción del crecimiento fetal, un fenómeno que puede tener graves implicaciones para la salud materno-infantil.
- El crecimiento fetal restringido: un desafío médico significativo
- IA explicable para analizar miles de escenarios clínicos
- Una combinación inesperada que revierte los efectos conocidos
- Embarazos tratados igual, riesgos diez veces mayores
- Decisiones personalizadas para escenarios raros
- Un paso hacia el futuro de la medicina obstétrica
- Referencias
El crecimiento fetal restringido: un desafío médico significativo
La restricción del crecimiento fetal (FGR, por sus siglas en inglés) se ha identificado como uno de los principales factores de riesgo asociados con la mortalidad perinatal. Este diagnóstico implica que el feto no está creciendo adecuadamente, lo que puede dar lugar a diversas complicaciones durante el embarazo y el parto. Sin embargo, a pesar de su importancia, la interpretación de este diagnóstico es compleja.
Un aspecto crucial a considerar es que muchos fetos diagnosticados con FGR logran nacer sin complicaciones, mientras que otros pueden enfrentar desenlaces graves, incluyendo la muerte. En la actualidad, el diagnóstico de FGR se basa predominantemente en el percentil de peso fetal estimado a través de ecografías, un enfoque que a menudo no considera el contexto clínico completo.
Uno de los principales desafíos es que los mismos protocolos se aplican a fetos con riesgos muy diferentes. Esto puede resultar en un monitoreo excesivo de embarazos que podrían no necesitarlo, mientras que otros casos de alto riesgo podrían pasar desapercibidos. Por lo tanto, existe una necesidad urgente de herramientas más precisas que permitan una evaluación más individualizada de los riesgos asociados con el FGR.
IA explicable para analizar miles de escenarios clínicos
Un equipo de investigadores ha desarrollado un modelo de inteligencia artificial explicable que utiliza redes probabilísticas para abordar esta problemática. Este modelo gráfico probabilístico (PGM) se basa en datos extraídos de un estudio observacional de 9.558 embarazos, conocido como nuMoM2b, en el que se realizaron controles estandarizados y seguimientos detallados hasta el parto.
De entre más de 900 variables clínicas, ecográficas y psicosociales, los investigadores seleccionaron 16 variables clave para entrenar el modelo. Este enfoque permitió estimar la probabilidad de complicaciones perinatales como la sepsis neonatal, asfixia, prematurez, malformaciones o muerte fetal, logrando un rendimiento robusto con un área bajo la curva (AUC) de 0,83, incluso en escenarios raros.
A diferencia de otros modelos existentes, el PGM permite descomponer y visualizar factores que incrementan el riesgo, revelando interacciones complejas entre variables que podrían no ser evidentes para los clínicos. Este tipo de análisis proporciona un enfoque más matizado y detallado que puede mejorar significativamente la toma de decisiones en la práctica clínica.
Una combinación inesperada que revierte los efectos conocidos
Uno de los hallazgos más sorprendentes del estudio fue la interacción entre el sexo fetal y la diabetes preexistente de la madre. En general, las niñas suelen tener un menor riesgo perinatal en comparación con los niños. Sin embargo, el modelo reveló que este patrón se invierte en madres con diabetes tipo 1 o tipo 2. En situaciones donde el peso fetal está en el percentil 3-9%, el riesgo de morbilidad perinatal en fetos femeninos puede ser hasta un 60% mayor si la madre tiene diabetes, en comparación con los varones en la misma situación.
Este hallazgo sugiere una compleja interacción entre el metabolismo materno, el sexo fetal y el crecimiento. Este tipo de descubrimientos solo es posible gracias a modelos que analizan las dependencias condicionales entre varias variables, lo que permite a los clínicos no solo prever riesgos, sino también entender las razones subyacentes detrás de esos riesgos.
Embarazos tratados igual, riesgos diez veces mayores
En la práctica clínica, todos los fetos con un peso estimado entre el percentil 3 y 9 son tratados de manera similar. Sin embargo, el modelo de IA ha identificado diferencias significativas en el riesgo dentro de este mismo grupo. Por ejemplo, un feto femenino en el percentil 5, cuyos factores de riesgo incluyen diabetes materna y malformaciones menores, tiene un riesgo que puede ser 9,8 veces mayor que el promedio de la cohorte.
En contraste, otro feto femenino en el mismo percentil, pero sin esos factores de riesgo, no presenta un mayor riesgo que el promedio poblacional. Esta homogeneidad en el tratamiento, basada en guías actuales, podría llevar a situaciones de sobretratamiento o, por el contrario, a la falta de atención necesaria en embarazos que realmente presentan un riesgo elevado.
Decisiones personalizadas para escenarios raros
El modelo también ha demostrado una notable capacidad para analizar escenarios únicos o poco frecuentes, que representan aproximadamente el 5% de todos los embarazos. Estos casos son particularmente difíciles de evaluar utilizando solamente la experiencia clínica. A pesar de que algunos de estos escenarios no se presentaron durante el entrenamiento del modelo, la IA mantuvo su rendimiento, lo que sugiere que puede ser una herramienta confiable para la toma de decisiones individualizadas en contextos clínicos complejos.
Además, la flexibilidad del modelo permite que se adapte para estimar cualquier variable dentro de la red, como el riesgo de cesárea urgente o parto pretermino, según el contexto clínico observado. Esto brinda una ventaja considerable al permitir decisiones informadas y basadas en datos en situaciones que tradicionalmente han sido difíciles de evaluar.
Un paso hacia el futuro de la medicina obstétrica
A pesar de los avances, los investigadores reconocen que el modelo todavía no está listo para ser aplicado en la práctica clínica. Actualmente, incluye variables que solo están disponibles después del parto. Sin embargo, representa un poderoso concepto de lo que se puede lograr en la medicina obstétrica.
Las herramientas de IA explicable ofrecen la posibilidad de mantener la experiencia médica humana, pero con transparencia, consistencia y escalabilidad. En un futuro, es probable que estos modelos se integren con biomarcadores, datos genómicos o sensores portátiles, lo que permitirá una personalización aún más avanzada de la atención prenatal.
Este enfoque también invita a cuestionar la utilidad de clasificaciones únicas como la FGR sin considerar el contexto clínico. Al promover una visión más rica y basada en datos, esta metodología tiene el potencial de salvar vidas en un ámbito donde cada semana y decisión son críticos.
Referencias
- Zimmerman, R.M., Hernández, E.J., Yandell, M. et al. AI-based analysis of fetal growth restriction in a prospective obstetric cohort quantifies compound risks for perinatal morbidity and mortality and identifies previously unrecognized high risk clinical scenarios. BMC Pregnancy Childbirth. (2025). doi: 10.1186/s12884-024-07095-6
Para profundizar más en este tema, puedes ver el siguiente video que aborda el uso de la inteligencia artificial en el diagnóstico y manejo de la restricción del crecimiento fetal:
Si quieres conocer otros artículos parecidos a Detección temprana de riesgos en embarazos con restricción fetal y IA puedes visitar la categoría Embarazo.