Predicción anteparto de distocia de hombros mediante aprendizaje automático

Área de la Ciencia:

• Obstetricia y Ginecología; Aprendizaje automático en atención médica; Medicina perinatal

Sus antecedentes:

• La distocia de hombros (SD) es una emergencia obstétrica importante de aparición impredecible.; La predicción precisa de la SD es crucial para la gestión informada del parto y la reducción de la morbilidad neonatal.; Los métodos actuales de evaluación de riesgos para la SD tienen limitaciones.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir la distocia de hombros.; Identificar los predictores clave de la SD utilizando algoritmos de ML.; Evaluar el rendimiento del modelo de ML en un entorno clínico.

Principales métodos:

• Análisis retrospectivo de partos vaginales de feto único a término durante 10 años.; Se seleccionaron once características maternas y fetales para el desarrollo del modelo.; El modelo CatBoost se entrenó y validó utilizando una división de datos de 70:30 y validación cruzada, con el AUC como métrica de rendimiento principal.

Principales resultados:

• La distocia de hombros ocurrió en el 0,18% de los partos (94/51.628).; Los factores predictivos incluyeron un mayor IMC materno, menor estatura, diabetes y mayor peso al nacer.; El modelo CatBoost logró un AUC de 0,83, siendo el peso fetal estimado (EFW) ecográfico (55,6%) y el IMC materno (20,1%) los predictores más significativos.

Conclusiones:

• Un modelo de aprendizaje automático, en particular CatBoost, demuestra un fuerte rendimiento en la predicción de la distocia de hombros.; El alto AUC del modelo (0,83) sugiere su utilidad potencial en la toma de decisiones clínicas para la planificación del parto.; Características clave como el EFW y el IMC materno son vitales para la predicción de la SD, ofreciendo un enfoque basado en datos para la evaluación de riesgos.