Herramientas de aprendizaje automático marcan predictores de cambios en la frecuencia cardíaca fetal

Fuente: Getty Images

Por Shania Kennedy

5 de junio de 2023: los investigadores han desarrollado métodos de aprendizaje automático (ML) que pueden identificar con precisión los predictores asociados con los cambios en la frecuencia cardíaca fetal después de la analgesia neuroaxial en pacientes embarazadas sanas, según un estudio publicado el mes pasado en BMC Pregnancy and Childbirth.

Los investigadores explicaron que la analgesia neuroaxial, un método de analgesia de parto ampliamente utilizado en los Estados Unidos que incluye técnicas espinal, epidural y combinada espinal-epidural (CSE), se asocia con cambios en la frecuencia cardíaca fetal.

Estos cambios pueden resolverse por sí solos, pero una caída significativa en la frecuencia cardíaca, conocida como bradicardia fetal, puede indicar problemas de salud potencialmente graves. Sin embargo, el equipo de investigación señaló además que múltiples factores pueden aumentar la probabilidad de bradicardia fetal, lo que hace que la afección sea difícil de predecir.

Para abordar esto, los investigadores recurrieron a ML. Una afección con varias posibles variables predictoras, como la bradicardia fetal, requiere el análisis de grandes cantidades de datos para identificar qué predictores son más útiles en el entorno clínico.

En una publicación de blog en la que se analiza su investigación, los autores del estudio indicaron que la naturaleza dinámica de los modelos ML los hace muy adecuados para esa tarea.

"Estos modelos son particularmente útiles para administrar múltiples variables predictoras con innumerables interacciones potenciales, lo que puede requerir más trabajo para tener en cuenta el uso de modelos tradicionales", escriben los autores. "Los algoritmos utilizados en esta rama de la inteligencia artificial [IA] incorporan variables predictoras que pueden no ser visibles por el mero conocimiento previo. Además, cuando se utilizan métodos de aprendizaje automático no supervisados, se pueden revelar patrones desconocidos".

Los algoritmos de ML tampoco hacen suposiciones sobre la relación entre un predictor y un resultado, mientras que es más probable que los humanos asuman que los dos tienen una relación lineal, explicaron los autores. Esto puede conducir a una mayor precisión entre los algoritmos de ML.

Para diseñar modelos apropiados para identificar predictores de cambios en la frecuencia cardíaca fetal, los investigadores realizaron un análisis retrospectivo de 1.077 pacientes sanas en trabajo de parto que recibieron analgesia neuroaxial.

Con estos datos, el equipo de investigación comparó el rendimiento de cuatro modelos: regresión de componentes principales, bosque aleatorio, modelo de red elástica y regresión lineal múltiple. Para cada modelo, se evaluaron la precisión de la predicción y la interpretabilidad.

Los investigadores encontraron que el modelo de bosque aleatorio logró el mejor rendimiento en términos de precisión utilizando el error cuadrático medio (MSE), una medida que representa la diferencia promedio entre los valores predichos y medidos.

El modelo de bosque aleatorio tenía un MSE de 0,9, mientras que los otros tres modelos tenían un MSE de 42 o más.

El análisis también mostró que múltiples factores juegan un papel importante en los cambios de la frecuencia cardíaca fetal después de la analgesia neuroaxial del trabajo de parto, incluido el índice de masa corporal (IMC) de la madre, la duración de la primera etapa del trabajo de parto, el uso de técnicas de CSE para la analgesia neuroaxial y la cantidad de bupivacaína administrada.

Los investigadores afirmaron que estos hallazgos tienen implicaciones prácticas clave para arrojar luz sobre problemas médicos poco conocidos. En el contexto de su estudio, notaron que un enfoque de ML tiene el potencial de aumentar la conciencia de los médicos sobre los riesgos relacionados con los cambios en la frecuencia cardíaca fetal en pacientes embarazadas sanas, lo que les permitiría ajustar los planes de tratamiento.

Otros investigadores y médicos también buscan aprovechar la IA para mejorar los resultados del trabajo de parto y el parto.

El año pasado, los investigadores de Mayo Clinic desarrollaron un modelo de predicción de riesgos basado en IA para pronosticar los riesgos laborales individuales de las pacientes embarazadas asociados con el parto vaginal.

El modelo utiliza los datos de las pacientes recopilados de las evaluaciones clínicas más recientes de las pacientes, el progreso acumulativo del trabajo de parto desde la admisión y las características iniciales al comienzo del trabajo de parto para indicar los posibles resultados del parto para la paciente y su bebé.

Los investigadores indicaron que el modelo será validado dentro de las unidades de trabajo de Mayo Clinic.