La Organización Mundial de la Salud estima que más de 250.000 muertes evitables se producen cada año en el mundo por complicaciones relacionadas con el embarazo. La ecografía prenatal puede mejorar los resultados y reducir la mortalidad fetal y materna, pero dos tercios de la población mundial carece de acceso a diagnósticos por imagen como la ecografía. Los métodos actuales dependen en gran medida de una formación clínica especializada, lo que deja a millones de personas en entornos con pocos recursos sin una sola ecografía durante su embarazo.
Para cerrar esta brecha, los investigadores desarrollaron sistemas de aprendizaje automático que interpretan ecografías de "barrido ciego". Este método de exploración permite que el personal sanitario de primera línea, sin formación en sonografía, realice las exploraciones deslizando sonda portátiles y de bajo coste sobre el abdomen siguiendo un patrón estandarizado. Como muchas regiones sufren una escasez crítica de expertos y la formación tradicional de sonografistas es cara y lleva años, una formación mínima combinada con la interpretación por IA podría ampliar significativamente la cobertura del cribado prenatal.
En un estudio publicado en JAMA Network Open, los investigadores evaluaron hasta qué punto un modelo de IA para la estimación de la edad gestacional se generaliza en diversos entornos clínicos y con distintos equipos. La edad gestacional, es decir, cuánto tiempo lleva avanzado el embarazo, sustenta gran parte de la atención prenatal, incluidas las decisiones sobre cribado, tratamiento y parto. Investigaciones anteriores validaron el modelo con pacientes no vistas de la misma cohorte con la que se entrenó. Este estudio prospectivo comprobó si el sistema funciona de forma fiable en tiempo real en dispositivos móviles, en clínicas reales, con operadores novatos y equipos desconocidos.
El modelo se probó en Northwestern Medicine, en Chicago, un centro académico urbano de altos recursos, y en Jacaranda Health, una red de clínicas comunitarias urbanas de Nairobi (Kenia). Los centros diferían en el momento en que las mujeres inician la atención prenatal, en cuántas ecografías de rutina reciben y en cómo se calcula la edad gestacional. El ajuste fino utilizó un pequeño conjunto de datos piloto de 120 participantes de Chicago, alrededor del 6 % del conjunto de entrenamiento original, para adaptar el modelo a los nuevos cabezales de sonda. No se usaron datos de Nairobi, lo que convirtió la validación keniana en una prueba estrictamente independiente de generalización.
Fuente: Google AI Blog · Resumido por HeadlinesBriefing