IA en ecografía predice parto y riesgo de prematuridad

IA en ultrasonido obstétrico: un modelo predice el tiempo hasta el parto y alerta sobre prematuridad

Un sistema entrenado con más de 2 millones de imágenes estima con alta precisión los días que faltan para el parto y el riesgo de nacimiento prematuro a partir de ecografías, con desempeño estable en todos los trimestres.

Un equipo de la startup Ultrasound AI y la Universidad de Kentucky presentó un modelo de inteligencia artificial que, usando solo ecografías desidentificadas, pronostica cuántos días faltan para el parto y clasifica la probabilidad de parto prematuro.

La propuesta, publicada como estudio PAIR (Perinatal Artificial Intelligence in Ultrasound) en The Journal of Maternal-Fetal & Neonatal Medicine, sugiere un cambio de paradigma para la medicina materno-fetal: pasar de una fecha estimada por biometría a un riesgo dinámico y un calendario de parto personalizados.

El propio journal destaca el potencial de esta aproximación para contextos con acceso limitado a especialistas.

“Predecir el momento del nacimiento desde la imagen y aprender caso a caso tiene implicancias clínicas y de salud pública”, señaló Robert Bunn, fundador de Ultrasound AI. Para John M. O’Brien, director de MFM en Kentucky, “esta línea abre la puerta a prevenir resultados adversos al anticipar a quién y cuándo vigilar”.

Lo esencial para la práctica

• Qué hace: a partir de ecografías 2D, el algoritmo estima días hasta el parto y clasifica término vs. pretérmino.
• Dónde rinde: el desempeño se mantuvo en todos los trimestres y en poblaciones diversas del centro fuente.
• Para qué sirve: triaje y planificación: ajustar controles más estrechos, traslados a centros de mayor complejidad, oportunidad de corticoides/neuroprotección y citas de seguimiento según riesgo.

¿Cómo se entrenó y por qué importa?

El software se entrenó inicialmente con 877.141 imágenes (2017–2021), y luego se amplió hasta superar 2 millones al extenderse a 2023. La validación se realizó con resultados de parto cegados por un tercero. Tras cuatro iteraciones de reentrenamiento (supervisado y no supervisado), los autores reportan:

• AUC (área bajo la curva) 0,95 para nacimientos a término y 0,92 para todos los nacimientos en clasificación.
• Mejora progresiva de la R² para “días hasta el parto” de 0,85 (V1) → 0,92 (V4); en el subgrupo de pretérmino, MAE ≈ 20 días.
• Estabilidad por trimestre: errores comparables en 1.º, 2.º y 3.º trimestre, lo que facilita usar la misma herramienta a lo largo del embarazo.
• Traducción clínica: más que un “oráculo” puntual, es una señal de riesgo actualizable cada vez que hay nueva ecografía, aumentando el valor longitudinal del ultrasonido.

Impacto potencial en la ruta asistencial

• Agenda y recursos: ajustar frecuencia de controles, monitorización y camas de alto riesgo según tiempo estimado a parto y probabilidad de pretérmino.
• Prevención dirigida: corticoides antenatales e ingreso/traslado oportunos cuando el modelo adelanta un nacimiento inminente.
• Comunicación con la paciente: convertir la EDD tradicional en ventanas de probabilidad más útiles para planificación familiar y neonatal.

Límites y cautelas

• Sensibilidad en pretérmino: aunque mejora con reentrenamiento, sigue siendo limitada; el modelo complementa la clínica, no la sustituye.
• Un solo centro: datos de una institución única; se necesita validación multicéntrica y prospectiva, pruebas de drift (equipos/protocolos) y equidad por subgrupos.
• Regulación y uso real: aún no es una herramienta aprobada; su despliegue requerirá gobernanza de IA, monitoreo continuo y buena integración con sistemas.

Pistas técnicas útiles

• Entrada mínima: imágenes ecográficas 2D desidentificadas; no requiere datos clínicos para la predicción primaria.
• Aprendizaje continuo: la mejora V1→V4 se asoció a más datos (≈1,1 M imágenes extra) y ajustes de arquitectura, lo que sugiere que un ciclo de reentrenamiento gobernado puede sostener el rendimiento al migrar a otros sitios.
• Métricas clave: en operación importan AUC/PPV (priorización), MAE (calendario) y calibración (probabilidad predicha vs. real). Es recomendable exigir informes de calibración por trimestre y subpoblación.

Contexto y próximos pasos

El estudio PAIR, en The Journal of Maternal-Fetal & Neonatal Medicine, se suma a la ola de pronóstico perinatal desde imagen. Aquí destacan la escala de entrenamiento, la estabilidad por trimestre y la mejora iterativa documentada. Para concretar su adopción:

• Validación multicéntrica internacional (fabricantes/sondas/operadores distintos).
• Ensayos clínicos que demuestren beneficio en decisiones y desenlaces (p. ej., morbilidad neonatal por intervenciones más oportunas).
• Marcos regulatorios para IA dinámica (vigilancia post-comercialización, recalibración y auditoría en producción).

Si estas piezas encajan, la predicción del “tiempo a parto” desde ecografía podría convertirse en una herramienta de planificación perinatal que reduzca improvisaciones y mejore la oportunidad de cuidados en embarazos de riesgo.

Para conocer más puede visitar The Journal of Maternal-Fetal & Neonatal Medicine y acceder al artículo completo.