Nueva herramienta para predecir problemas de crecimiento fetal

La restricción del crecimiento fetal (FGR) y ser pequeño para la edad gestacional (SGA) son términos que describen un problema de salud similar en el embarazo. Este asunto puede llevar a resultados graves, como la segunda causa más común de muertes prevenibles durante y poco después del nacimiento. Encontrar formas efectivas de identificar y prevenir FGR y SGA es importante para mejorar la salud de las mamás y sus bebés.

El FGR puede resultar en bebés de bajo peso al nacer, lo que está relacionado con mayores riesgos de muerte para los recién nacidos. Estadísticas anteriores mostraron que a nivel mundial, alrededor de 20 a 30 de cada 1000 bebés nacidos en 2013 murieron en su primer mes de vida. Los bebés con bajo peso al nacer a menudo requieren cuidados especializados en unidades de cuidados intensivos neonatales, que pueden ser caros y a menudo están limitados en muchas áreas. Así que prevenir el FGR y el SGA podría no solo salvar vidas, sino también reducir costos para los sistemas de salud.

Existen varias estrategias efectivas para prevenir el FGR y el SGA. Sin embargo, estas estrategias requieren buenos métodos para identificar embarazos en riesgo. Desafortunadamente, muchos métodos de predicción que se utilizan actualmente no están disponibles en todas las áreas, especialmente en aquellas menos favorecidas.

#Desafíos Actuales en la Identificación de FGR y SGA

Un método de bajo costo para predecir el FGR, como medir la distancia del hueso púbico de una mujer embarazada hasta la parte superior de su útero, no se recomienda porque no es muy confiable. Esto ha llevado a los proveedores de salud a recurrir a métodos como ecografías o análisis de sangre, que pueden ser más difíciles de acceder en áreas con menos recursos.

Investigaciones han mostrado que la Historia médica de una mujer puede ayudar a identificar posibles casos de FGR y SGA. Dado que las bases de datos de seguros de salud mantienen registros comprensivos de historias médicas, podrían usarse para detectar proactivamente estos problemas, especialmente en lugares con cobertura de salud universal. El cribado basado en la historia médica puede ser ventajoso ya que no depende del número de visitas médicas que haya tenido una mujer.

A pesar de este potencial, ha habido poco trabajo para crear una herramienta de cribado que use únicamente la historia médica para predecir FGR y SGA.

#Propósito de Este Estudio

Este estudio tenía como objetivo crear un modelo de predicción que usara solo la historia médica para detectar FGR y SGA. Esta herramienta sería útil en áreas con menos recursos y podría servir como un método preliminar antes de usar pruebas más complejas como ecografías.

#Fuentes de Datos y Métodos

Para llevar a cabo este estudio, los investigadores analizaron una base de datos de seguros de salud públicos en Indonesia. Se enfocaron en mujeres entre 12 y 55 años que habían visitado instalaciones de salud para recibir atención. El estudio analizó datos hasta 2016, incluyendo una muestra aleatoria de alrededor del 1% de los asegurados.

Los investigadores incluyeron solo las visitas de mujeres que estaban embarazadas y excluyeron cualquier visita relacionada con el parto. Si una mujer tuvo múltiples embarazos en los datos, se usaron identificadores separados para cada uno. Los investigadores definieron casos de FGR y SGA usando códigos médicos específicos que identificaban problemas de crecimiento en fetos y recién nacidos.

Consideraron solo las historias médicas de diagnósticos y procedimientos como predictores para FGR y SGA. Tras procesar cuidadosamente los datos, identificaron 54 posibles predictores basados en códigos médicos para diversas condiciones de salud.

#Desarrollo de Modelos de Predicción

Los investigadores crearon cinco modelos de predicción diferentes usando varios métodos. Los modelos incluyeron técnicas como regresión ridge, regresión de red elástica, bosques aleatorios, máquinas de boosting por gradientes y una red neuronal visible de profunda perspectiva.

Buscaban un modelo que pudiera detectar FGR o SGA con buena precisión, buscando específicamente un equilibrio entre sensibilidad y especificidad. También compararon sus modelos con modelos de predicción existentes de estudios anteriores para verificar su efectividad.

#Análisis de los Resultados

El equipo evaluó sus modelos usando varias medidas, incluyendo qué tan bien las predicciones coincidían con los resultados reales. Evaluaron la confiabilidad de los modelos a través de varias herramientas estadísticas. Checaron la capacidad de los modelos para hacer predicciones correctas mientras también calcularon los posibles beneficios de usar estos modelos en entornos clínicos.

Encontraron que tres de los cinco modelos eran efectivos para predecir FGR y SGA, especialmente el modelo de máquina de boosting por gradientes. Entre estos, el modelo que mejor funcionó fue la red neuronal visible de profunda perspectiva, que mostró un buen equilibrio entre predecir verdaderos positivos y verdaderos negativos.

#Utilidad Clínica y Explicabilidad

Los investigadores evaluaron cómo las utilidades de sus Modelos Predictivos se comparaban con tratar todas las predicciones como positivas o negativas. El modelo de profunda perspectiva mostró la mejor utilidad clínica, lo que significa que mostró mayores beneficios netos para las predicciones en comparación con métodos más simples o tradicionales.

Importante, los clínicos participaron en la evaluación de cuán explicable era el modelo. Miraron cómo los cambios en ciertos factores de salud podían influir en las predicciones hechas por el modelo.

#Comparación de Rendimiento con Estudios Previos

Los investigadores compararon su mejor modelo con modelos anteriores identificados en revisiones sistemáticas. Aunque algunos modelos anteriores usaron herramientas más avanzadas como ecografías, el modelo de profunda perspectiva proporcionó una ventaja única ya que se basó únicamente en la historia médica, haciéndolo más accesible a poblaciones más amplias, especialmente en entornos con recursos limitados.

#Implementación de la Herramienta de Predicción

Una vez que se identificó el mejor modelo, se convirtió en una aplicación web. Esta herramienta permite a los proveedores de salud ingresar la historia médica de una mujer para predecir el riesgo de FGR o SGA. El sistema está diseñado para ser fácil de usar y está disponible para profesionales de la salud para una evaluación adicional de embarazos en riesgo.

#Implicaciones y Direcciones Futuras

El estudio demostró la viabilidad de usar historias médicas para predecir FGR y SGA. Este enfoque puede simplificar significativamente el proceso de identificar embarazos en riesgo sin necesidad de tecnología avanzada, haciéndolo más fácil de implementar en varios entornos de salud.

Sin embargo, los investigadores notaron varias limitaciones, incluyendo un rendimiento predictivo moderado y posibles restricciones de tiempo en la obtención de historias médicas. Hicieron hincapié en la necesidad de más estudios para establecer el impacto de la herramienta en la mejora de los resultados de los pacientes.

En conclusión, el estudio proporciona un nuevo método prometedor para predecir problemas de crecimiento fetal usando datos accesibles. Abre la puerta para tomar mejores decisiones de salud preventiva para mamás y sus bebés, especialmente en áreas con recursos limitados, mientras también sienta las bases para futuras investigaciones y ensayos.