Modelos de Predicción de Aprendizaje Automático para la Preeclampsia: Revisión Sistemática y Metaanálisis

Área de la Ciencia:

• Informática Médica; Bioestadística; Obstetricia

Sus antecedentes:

• La preeclampsia es un trastorno hipertensivo grave con una incidencia mundial creciente.; Los modelos existentes de aprendizaje automático (ML) para la predicción de la preeclampsia exhiben una alta heterogeneidad y una transferibilidad externa poco clara.; La distinción entre el rendimiento interno del modelo y la efectividad clínica en el mundo real sigue siendo una brecha crítica.

Objetivo del estudio:

• Revisar sistemáticamente y meta-analizar el rendimiento de los modelos de ML en la predicción de la preeclampsia.; Evaluar el valor de aplicación clínica de estos modelos de ML.; Identificar los factores que influyen en el rendimiento del modelo y guiar la calidad de la investigación futura.

Principales métodos:

• Revisión sistemática y metaanálisis siguiendo las directrices PRISMA.; Búsqueda en las principales bases de datos (PubMed, Web of Science, IEEE Xplore, CNKI) hasta febrero de 2025.; Evaluación del sesgo utilizando PROBAST, cálculo de estimaciones resumidas con modelos de efectos aleatorios y cálculo de intervalos de predicción (PI) del 95%.

Principales resultados:

• Se incluyeron 26 estudios con 31 modelos de ML; el AUC agrupado fue de 0.91 (IC del 95%: 0.87-0.92) pero con una heterogeneidad extrema (I²>99%).; El PI del 95% de amplio rango para la sensibilidad (0.32-0.96) indica posibles caídas de rendimiento en entornos externos.; La validación externa (6 estudios) mostró una sensibilidad agrupada menor (0.68, PI 0.25-0.94). Los modelos con biomarcadores de laboratorio y redes neuronales mostraron ser prometedores.

Conclusiones:

• El alto AUC interno en los modelos de ML puede no traducirse en una efectividad clínica universal.; El rendimiento del modelo depende en gran medida del contexto, lo que enfatiza la necesidad de validación externa.; La investigación futura debe priorizar la validación externa multicéntrica y prospectiva y la recalibración para mejorar la transferibilidad y la confiabilidad.