Estratificación del riesgo de peso al nacer pequeño para la edad gestacional utilizando parámetros cardíacos fetales...

Área de la Ciencia:

• Medicina perinatal
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• La identificación temprana del peso de nacimiento bajo para la edad gestacional (SGA) es crucial para mejorar los resultados neonatales.
• Los métodos actuales para la estratificación del riesgo de SGA tienen limitaciones en el embarazo temprano.

Objetivo del estudio:

• Aplicar el aprendizaje automático sin supervisión a los datos cardíacos fetales del primer trimestre para mejorar la estratificación temprana del riesgo del peso al nacer de SGA.
• Para identificar a los fetos en riesgo de SGA utilizando parámetros cardíacos no invasivos.

Principales métodos:

• Estudio de cohorte prospectivo de 617 embarazos hasta las 13 semanas de gestación.
• Evaluación de los parámetros cardíacos fetales, incluidos el área torácica, el área cardíaca, las longitudes de entrada ventricular y el Doppler de la válvula atrioventricular.
• K-significa agrupación aplicada para estratificar a los fetos en grupos de riesgo para la SGA.

Principales resultados:

• El aprendizaje automático no supervisado identificó tres grupos de riesgo: bajo (1,2% SGA), intermedio (5,4% SGA) y alto (14,4% SGA).
• El área torácica y la relación E/A de la válvula tricúspide se asociaron de forma independiente con el SGA.
• El modelo demostró un valor predictivo negativo del 99,0% para descartar el SGA.

Conclusiones:

• El aprendizaje automático no supervisado de los parámetros cardíacos fetales del primer trimestre estratifica efectivamente el riesgo de SGA en el peso al nacer.
• Este enfoque ofrece una herramienta prometedora para la identificación temprana y el manejo de los embarazos SGA.