«Existe una oportunidad para que el aprendizaje automático identifique nuevos factores de riesgo de parto prematuro», dice You Chen, profesor asistente de informática biomédica en el Centro Médico de la Universidad de Vanderbilt en Nashville, TN.
Crédito: raisechildren.net.au
El parto prematuro, cuando un bebé nace antes de las 37 semanas de embarazo, es la principal causa de muerte y discapacidad en los recién nacidos. En los EE. UU., Casi el 10% de los bebés nacen prematuramente, muchos de los cuales requieren atención médica especial, lo que resulta en estadías en el hospital más largas que los bebés nacidos a término. Aunque las intervenciones terapéuticas pueden ayudar a prevenir la mortalidad en los bebés prematuros, los médicos a menudo no pueden predecir el nacimiento prematuro lo suficientemente temprano como para usarlas. Además, las pruebas de detección que miden la longitud del cuello uterino, o una proteína llamada fibronectina que se cree que mantiene el saco amniótico pegado al revestimiento del útero, no siempre son efectivas. Aunque se han identificado varios factores de riesgo, como diabetes, obesidad o embarazos múltiples, en muchos casos no existe una causa conocida para el parto prematuro.
«El mecanismo biológico detrás del nacimiento prematuro es todavía un misterio», dice You Chen, profesor asistente de informática biomédica en el Centro Médico de la Universidad de Vanderbilt en Nashville, TN.
Como resultado, el aprendizaje automático es de gran interés para predecir mejor el parto prematuro. Los algoritmos pueden aprender de grandes cantidades de datos, como los registros de salud anteriores de mujeres embarazadas, y podrían ayudar a determinar qué variables contribuyen más a los bebés prematuros. «Existe una oportunidad para que el aprendizaje automático identifique nuevos factores de riesgo de parto prematuro», dice Chen.
La investigación de Chen y sus colegas de la Universidad de Vanderbilt tuvo como objetivo investigar si el aprendizaje profundo podría proporcionar mejores predicciones del parto prematuro extremo, cuando un bebé nace antes de las 28 semanas de edad gestacional. Estos nacimientos muy tempranos conllevan el mayor riesgo y representan la mayoría de las muertes infantiles. «Queríamos validar nuestra suposición de que la información médica histórica del paciente contiene evidencia que puede indicar un parto prematuro extremo», dice Chen.
El equipo utilizó datos de los registros de salud electrónicos de 25.689 mujeres que habían dado a luz a un bebé en el Centro Médico de la Universidad de Vanderbilt durante un período de 12 años. El conjunto de datos contenía información como condiciones de salud, medicamentos tomados, cirugías y resultados de pruebas de laboratorio. Los partos prematuros extremos representaron alrededor del 1% de los partos.
Chen y sus colegas luego entrenaron una red neuronal recurrente de aprendizaje profundo con parte de los datos, mientras conservaban un subconjunto para las pruebas. También entrenaron algunos modelos tradicionales de aprendizaje automático con los mismos datos, para poder comparar los resultados.
El equipo descubrió que su modelo de aprendizaje profundo funcionaba mejor; fue capaz de utilizar los datos para predecir qué casos darían lugar a un parto prematuro, y fue preciso el 96% de las veces. Dado que los modelos de aprendizaje profundo aprenden por sí mismos, a menudo pueden identificar patrones novedosos en los datos que pueden ayudar con las predicciones. En este caso, el modelo identificó cuatro factores de riesgo conocidos: embarazo gemelar, lupus eritematoso sistémico (una enfermedad autoinmune), longitud cervical corta y trastorno hipertensivo, así como un quinto potencialmente nuevo: la presencia de sulfato de hidroxicloroquina, un fármaco antipalúdico utilizado para tratar una enfermedad autoinmune asociada con los partos prematuros.
Chen enfatiza que este trabajo es solo un primer paso. Los datos que usó su equipo provienen de un solo sitio, por lo que no está claro si el modelo podría predecir correctamente un parto prematuro en un hospital diferente, por ejemplo. Además, el modelo no se ha probado con datos de diferentes períodos de tiempo, como cinco o diez años después, para ver si sigue siendo válido. «Necesitamos probar el modelo en diferentes lugares y en diferentes períodos de tiempo», dice Chen.
El equipo planea hacer un seguimiento combinando datos de diferentes instituciones de salud y usándolos para entrenar su modelo. Chen piensa que si se puede demostrar que este tipo de modelos son generalizables, podrían usarse para ayudar a los médicos a evaluar el riesgo de un parto prematuro. «Creo que en los próximos cinco o 10 años, los modelos de IA se aplicarán en la práctica clínica para (predecir) el nacimiento prematuro», dice Chen.
Otro equipo también está investigando cómo el aprendizaje automático puede ayudar a mejorar las predicciones de nacimientos prematuros. En un estudio reciente, Irene Díaz, profesora de informática en la Universidad de Oviedo en España, y sus colegas tuvieron como objetivo identificar factores novedosos que pueden contribuir a los nacimientos prematuros. Se centraron en la cronodisrupción, la alteración de los ritmos circadianos posiblemente debido a la exposición a la luz artificial después del anochecer, que según algunos estudios puede ser un factor en los partos prematuros y cómo podría contribuir cuando se combina con factores de riesgo conocidos. «Nuestro objetivo era producir un sistema para ayudar a los médicos a prevenir los partos prematuros mediante la identificación de variables clave», dice Díaz.
El equipo de Oviedo utilizó un conjunto de datos con información sobre 380 nacimientos en el Hospital Universitario Central de Asturias en España, o de los cuales 157 fueron prematuros. El conjunto de datos contenía detalles sobre las mujeres, como su edad, peso y si era su primer embarazo. Díaz y sus colegas también recolectaron información sobre los hábitos de sueño de las mujeres a través de una encuesta telefónica, con algunas preguntas relacionadas con la exposición a la luz antes de acostarse o durante la noche para determinar si padecían cronodisrupción.
Los investigadores realizaron análisis estadísticos para determinar cómo los diferentes factores podrían relacionarse con el parto prematuro, luego entrenaron varios modelos de aprendizaje automático con los datos. El conjunto de datos se dividió aleatoriamente en un subconjunto de entrenamiento y prueba, y el proceso se repitió 30 veces para validar los datos y ayudar a dar cuenta de cualquier ruido.
Los resultados del equipo de Oviedo sugieren que los factores relacionados con la exposición a la luz durante la noche influyen en el parto prematuro. Sus modelos encontraron que usar dispositivos electrónicos antes de dormir y, por lo tanto, exponerse a la luz artificial después del anochecer, era un factor de riesgo cuando se combinaba con un índice de masa corporal alto. De manera similar, el trabajo por turnos también pareció desempeñar un papel importante en los partos prematuros debido a la exposición a la luz durante la noche, que puede alterar los ritmos circadianos.
Díaz y sus colegas planean entrenar y probar sus modelos con un conjunto de datos más grande. Están trabajando con otros hospitales de España para obtener datos y esperan incluir también historias clínicas de otros países. «Actualmente estamos ampliando el conjunto de datos para producir una conclusión más general», dice Díaz.
Si la exposición a la luz artificial durante la noche continúa identificándose como un factor contribuyente, sugiere que los médicos deberían recomendar a las mujeres embarazadas que tengan en cuenta sus hábitos nocturnos para reducir el riesgo de parto prematuro. Díaz cree que estos modelos podrían ser una herramienta importante para los médicos si se utilizan junto con su experiencia. «Los métodos (de aprendizaje automático) pueden ayudar a salvar vidas y mejorar la salud», dice.
Sandrine Ceurstemont es un escritor científico independiente con sede en Londres, Reino Unido.
entradas no encontradas
