Predicción prenatal de pequeño para la edad gestacional al nacer basada en cuatro estándares de peso al nacer...

Área de la Ciencia:

• Obstetricia y Ginecología
• Medicina Perinatal
• Aprendizaje Automático en Salud

Sus antecedentes:

• La predicción prenatal precisa de pequeño para la edad gestacional (PEG) es vital para intervenciones efectivas.
• Este estudio evalúa modelos de aprendizaje automático (ML) para la predicción de PEG en embarazos chinos.
• Se realizan comparaciones utilizando estándares de peso al nacer chinos e internacionales.

Objetivo del estudio:

• Evaluar el rendimiento predictivo de los modelos de ML para PEG al nacer.
• Comparar diferentes estándares de peso al nacer (China, Intergrowth 21st, FMF, GROW) para la clasificación de PEG.
• Identificar predictores clave para PEG en varios modelos y estándares.

Principales métodos:

• Se utilizaron datos multimodales y longitudinales de vigilancia prenatal de 350,135 embarazos únicos en China.
• Se desarrollaron modelos de ML (CatBoost, XGBoost, LightGBM, ANN, Random Forest, Stacked Ensemble) y regresión logística.
• Se empleó la regresión lasso para la selección de características y se validaron los modelos en conjuntos de datos de prueba en tres intervalos de embarazo.

Principales resultados:

• Las tasas de PEG variaron significativamente entre los estándares de peso al nacer, y FMF mostró la mayor prevalencia.
• Los modelos de embarazo tardío (<37 semanas) demostraron el mayor poder predictivo para PEG.
• El modelo Random Forest con el estándar FMF logró el ROC-AUC más alto (0.79) en el embarazo tardío; la regresión logística tuvo un rendimiento comparable con los estándares chino y GROW.

Conclusiones:

• Existen diferencias significativas en la clasificación de PEG entre los estándares nacionales e internacionales.
• Tanto los modelos de ML como la regresión logística ofrecen un rendimiento predictivo comparable para PEG.
• Los hallazgos respaldan la atención prenatal estratificada por riesgo y la asignación optimizada de recursos.