Predicción de la preeclampsia a través del aprendizaje automático: una revisión sistemática de la literatura

Área de la Ciencia:

• Obstetricia y ginecología
• La informática médica
• Biología computacional

Sus antecedentes:

• La preeclampsia es una complicación grave del embarazo con causas y factores de riesgo desconocidos.
• La predicción temprana de la preeclampsia es crucial para la intervención oportuna y la mejora de los resultados maternos.
• El aprendizaje automático (ML) presenta una herramienta poderosa para desarrollar modelos predictivos para la preeclampsia.

Objetivo del estudio:

• Revisar y analizar sistemáticamente los estudios recientes de aprendizaje automático para la predicción de la preeclampsia.
• Identificar las características clave, los algoritmos y las tendencias geográficas en la investigación de la preeclampsia basada en ML.
• Resaltar las limitaciones y las direcciones futuras para mejorar los modelos de ML en la detección de la preeclampsia.

Principales métodos:

• Revisión sistemática de la literatura de los estudios publicados entre el 1 de enero de 2013 y el 31 de diciembre de 2023.
• Las búsquedas realizadas en Google Scholar y PubMed, identificaron 183 estudios, con 35 seleccionados en función de los criterios de inclusión.
• Análisis de características predictivas comunes, algoritmos de aprendizaje automático, ubicaciones de estudio y características de conjuntos de datos.

Principales resultados:

• Las características predictivas comúnmente utilizadas incluyen la edad materna, el historial de embarazo, el índice de masa corporal, la diabetes, la hipertensión y la presión arterial.
• Las características menos utilizadas fueron los medicamentos, los datos genéticos y las imágenes clínicas.
• Los algoritmos populares de ML incluyen el Bosque Aleatorio, la Máquina Vectorial de Soporte, la Regresión Logística, el Árbol de Decisión y Bayes Ingenuo.
• La investigación se concentra en China y los Estados Unidos, con un reciente aumento en las publicaciones, pero a menudo se basa en conjuntos de datos pequeños y de un solo centro.

Conclusiones:

• El aprendizaje automático muestra un potencial significativo para la predicción de la preeclampsia, utilizando datos clínicos fácilmente disponibles.
• El panorama de investigación actual requiere conjuntos de datos más diversos y estudios multicéntricos para mejorar la generalización del modelo.
• Es esencial realizar más investigaciones para perfeccionar los modelos de ML para una detección precoz y eficaz de la preeclampsia.