MADRID 30 Ene. (EUROPA PRESS) -
Un nuevo análisis basado en inteligencia artificial de casi 10.000 embarazos ha descubierto combinaciones previamente no identificadas de factores de riesgo vinculados a resultados negativos graves del embarazo, incluida la muerte fetal, tal y como aseguran investigadores de la Facultad de Medicina Spencer Fox Eccles de la Universidad de Utah (Estados Unidos) publicado en 'BMC Pregnancy and Childbirth'.
El estudio también encontró que puede haber una diferencia de hasta diez veces en el riesgo para los bebés que actualmente reciben un tratamiento idéntico según las pautas clínicas. Nathan Blue, autor principal del estudio, dice que el modelo de IA que generaron los investigadores ayudó a identificar una combinación "realmente inesperada" de factores asociados con un mayor riesgo, y que el modelo es un paso importante hacia una evaluación de riesgos y una atención del embarazo más personalizadas.
Los investigadores comenzaron con un conjunto de datos existente de 9.558 embarazos en todo el país, que incluía información sobre características sociales y físicas que abarcaban desde el nivel de apoyo social de las embarazadas hasta su presión arterial, historial médico y peso fetal, así como el resultado de cada embarazo. Al utilizar inteligencia artificial para buscar patrones en los datos, identificaron nuevas combinaciones de características maternas y fetales que estaban vinculadas a resultados de embarazo no saludables, como la muerte fetal.
Por lo general, los fetos femeninos tienen un riesgo ligeramente menor de complicaciones que los fetos masculinos (un efecto pequeño pero bien establecido). Pero el equipo de investigación descubrió que si una persona embarazada tiene diabetes preexistente, los fetos femeninos tienen un riesgo mayor que los masculinos. Este patrón no detectado previamente muestra que el modelo de IA puede ayudar a los investigadores a aprender cosas nuevas sobre la salud durante el embarazo, comenta Blue. "Detectó algo que podría usarse para informar sobre el riesgo que ni siquiera el cerebro clínico realmente flexible y experimentado estaba reconociendo", destaca.
Los investigadores estaban especialmente interesados en desarrollar mejores estimaciones de riesgo para los fetos que se encuentran en el 10% inferior de peso, pero no en el 3% inferior. Estos bebés son lo suficientemente pequeños como para ser preocupantes, pero lo suficientemente grandes como para que, por lo general, estén perfectamente sanos.
Averiguar cuál es la mejor manera de proceder en estos casos es un desafío. No obstante, las pautas clínicas actuales recomiendan un control médico intensivo para todos estos embarazos, lo que puede representar una carga emocional y financiera significativa. Pese a ello, los investigadores descubrieron que, dentro de esta categoría de peso fetal, el riesgo de un resultado no saludable del embarazo variaba ampliamente, desde un riesgo no mayor que el de un embarazo promedio hasta casi diez veces el riesgo promedio. El riesgo se basaba en una combinación de factores como el sexo del feto, la presencia o ausencia de diabetes preexistente y la presencia o ausencia de una anomalía fetal como un defecto cardíaco.
Blue enfatiza que el estudio sólo detectó correlaciones entre variables y no proporciona información sobre qué es lo que realmente causa los resultados negativos.
Según Blue, la amplia gama de riesgos está respaldada por la intuición del médico; los médicos experimentados saben que muchos fetos con bajo peso son saludables y utilizarán muchos factores adicionales para tomar decisiones individualizadas sobre el riesgo y el tratamiento. Pero una herramienta de evaluación de riesgos basada en inteligencia artificial podría ofrecer ventajas importantes sobre esas "comprobaciones instintivas", ayudando a los médicos a hacer recomendaciones informadas, reproducibles y justas.
Para ayudar a abordar este problema, los investigadores utilizaron un tipo de modelo llamado "IA explicable", que proporciona al usuario el riesgo estimado para un conjunto determinado de factores del embarazo y también incluye información sobre qué variables contribuyeron a esa estimación del riesgo y en qué medida. A diferencia de la IA de "caja cerrada" más conocida, que es en gran medida impenetrable incluso para los expertos, el modelo explicable "muestra su trabajo", revelando las fuentes de sesgo para que puedan abordarse.
En esencia, la IA explicable se aproxima a la flexibilidad del juicio clínico experto, pero evita sus inconvenientes. El modelo de los investigadores también es especialmente adecuado para juzgar el riesgo en situaciones de embarazo poco frecuentes, estimando con precisión los resultados para personas con combinaciones únicas de factores de riesgo. Este tipo de herramienta podría, en última instancia, ayudar a personalizar la atención médica al orientar las decisiones informadas para personas cuyas situaciones son únicas.
Los investigadores aún necesitan probar y validar su modelo en nuevas poblaciones para asegurarse de que puede predecir el riesgo en situaciones del mundo real. Pero Blue tiene la esperanza de que un modelo explicable basado en IA pueda ayudar en última instancia a personalizar la evaluación y el tratamiento del riesgo durante el embarazo.
"Los modelos de IA pueden estimar esencialmente un riesgo que es específico para el contexto de una persona determinada", afirma, "y pueden hacerlo de forma transparente y reproducible, que es algo que nuestros cerebros no pueden hacer".
