Aprendizaje automático para prevenir la muerte fetal: ¿es posible transformar los datos en conocimientos que salven...

Área de la Ciencia:

• Salud materna
• Aprendizaje automático
• Salud pública

Sus antecedentes:

• La predicción de la mortalidad fetal es crucial para la salud de la madre y el niño.
• El uso de datos sociodemográficos y de historial de salud puede mejorar la precisión predictiva.

Objetivo del estudio:

• Evaluar el rendimiento del modelo de aprendizaje automático para la predicción de la muerte fetal.
• Comparar las técnicas de imputación de datos y los escenarios de equilibrio.
• Identificar los principales factores predictivos de la muerte fetal en una población brasileña.

Principales métodos:

• Utilizó un conjunto de datos de un programa social en Pernambuco, Brasil (2008-2022).
• Se emplean técnicas de balance de submuestreo aleatorio (RU) y submuestreo híbrido 2x (H2X).
• Se evaluaron cuatro modelos de aprendizaje automático basados en árboles (por ejemplo, XGBoost, Random Forest) en función del rendimiento y la importancia de las características.

Principales resultados:

• XGBoost logró una especificidad del 81,06%; Random Forest logró una sensibilidad del 67,73%.
• La primera atención prenatal, la edad materna, la educación y el intervalo entre embarazos fueron predictores significativos.
• El rendimiento del modelo varió según los diferentes escenarios de equilibrio y técnicas de imputación.

Conclusiones:

• El aprendizaje automático ofrece una herramienta valiosa para la predicción de la muerte fetal en las iniciativas de salud pública.
• Este enfoque puede apoyar los programas sociales en Brasil y contribuir a los Objetivos de Desarrollo Sostenible.
• La integración de la tecnología en la asistencia sanitaria puede generar un impacto social significativo.