Una herramienta de cardiotocografía computarizada aumentó significativamente la precisión diagnóstica de médicos y parteras, independientemente de su nivel de experiencia o país de origen.
Un estudio publicado en la revista npj Digital Medicine journal demuestra que el apoyo de artificial intelligence (AI) mejora la capacidad de los profesionales de salud para detectar acidosis perinatal durante el trabajo de parto, uno de los indicadores más importantes del bienestar fetal al momento del nacimiento. La investigación, conducida por un equipo de hospitales universitarios de París y Londres, es uno de los estudios más amplios realizados hasta la fecha en este campo, con 211 participantes de 23 países y más de 8,200 evaluaciones registradas.
The cardiotocografía (CTG) es el método estándar para monitorear la frecuencia cardíaca fetal y las contracciones uterinas durante el parto. Su interpretación, sin embargo, depende en gran medida de la valoración visual del profesional a cargo, lo que genera una variabilidad considerable entre observadores distintos. Esa inconsistencia puede traducirse en consecuencias clínicas serias: intervenciones innecesarias en algunos casos, o la omisión de signos de compromiso fetal en otros. Para abordar este problema, los investigadores evaluaron una herramienta de cardiotocografía computarizada denominada DeepCTG, desarrollada como asistente de decisión clínica basado en machine learning interpretable.
El diseño del estudio fue prospectivo y aleatorizado, para ello, por medio de una plataforma web desarrollada específicamente para la investigación, los participantes, entre ellos parteras, obstetras y médicos residentes, evaluaron 100 registros de CTG tomados de los últimos 45 minutos previos al parto, con o sin el apoyo de la herramienta computarizada. Su tarea era predecir si el recién nacido presentaría acidosis perinatal, definida como un pH en sangre del cordón umbilical inferior a 7.15, un umbral asociado con mayor riesgo de daño neurológico neonatal.
La herramienta DeepCTG presentaba a los participantes cuatro niveles de información, una representación visual de la línea de base de la frecuencia cardíaca fetal con áreas de aceleración y desaceleración resaltadas, una probabilidad de acidosis del 0% al 100%, una categorización del riesgo en bajo, moderado o alto, y una descomposición explicativa de los factores que más influyeron en la predicción.
Los resultados mostraron mejoras estadísticamente significativas en los grupos que contaron con asistencia de la herramienta. La tasa de éxito general en la predicción pasó del 54.0% sin asistencia al 61.4% con ella, y la sensibilidad, es decir, la capacidad de identificar correctamente los casos de acidosis, aumentó del 49.3% al 61.7%. La especificidad, que refleja la capacidad de descartar correctamente los casos normales, no mostró diferencias significativas entre ambos grupos, lo que sugiere que la mejora en detección no vino acompañada de un aumento en intervenciones innecesarias. En los casos en que la predicción del clínico y la del modelo divergían, la herramienta resultó correcta el 67.5% de las veces.
Un hallazgo relevante fue que la mejora fue consistente en todos los subgrupos analizados, parteras, obstetras y residentes; médicos con menos de cinco años de experiencia y los más experimentados; profesionales de hospitales universitarios y no universitarios; y participantes de países tan diversos como Francia, Reino Unido y Vietnam. El beneficio fue particularmente notable entre los menos experimentados, quienes con asistencia computarizada alcanzaron niveles de desempeño cercanos a los de clínicos con mayor trayectoria. Además, el uso de la herramienta redujo la variabilidad entre observadores: la desviación estándar de las tasas de éxito entre participantes disminuyó del 12.0% sin asistencia al 8.2% con ella, lo que apunta hacia una mayor estandarización de la práctica clínica.
A pesar de los prometedores resultados, los autores reconocen limitaciones importantes. Por ejemplo, que el estudio se centró exclusivamente en la acidosis como resultado, sin capturar el espectro completo de riesgos perinatales. Además, el escenario experimental difiere de la práctica habitual en la sala de partos, donde la tasa de resultados adversos fue artificialmente elevada para permitir un análisis estadístico robusto. Los investigadores señalan que serán necesarios estudios prospectivos en entornos clínicos reales para confirmar el impacto de este tipo de herramientas en los resultados neonatales y en la toma de decisiones durante el parto.
En el contexto del parto, donde las decisiones deben tomarse en tiempo real y bajo presión, una herramienta que mejore la detección de compromiso fetal sin aumentar el riesgo de intervenciones innecesarias representa un avance con potencial impacto directo en la seguridad de madres y recién nacidos.
