Modelo de deep learning desarrollado por científicos de Google busca mejorar la interpretación de CTG para el bienestar fetal.
La cardiotocografía (CTG) es un método de monitoreo fetal que registra la frecuencia cardíaca del bebé, los movimientos fetales y las contracciones uterinas. Esta técnica, utilizada durante el embarazo, el trabajo de parto y el parto, se basa en ultrasonidos doppler para controlar el bienestar fetal mediante el registro de las variables mencionadas.
Una CTG puede realizarse de manera continua o intermitente con cables colocados de manera interna o externa. La CTG externa necesita el uso de dos sensores colocados en el vientre de la madre, un transductor de ultrasonidos colocados por encima de la posición del corazón del feto y un tocodinamómetro colocado en el fondo del útero para medir las contracciones.
Recientemente, un equipo de Google Research presentó el artículo “Desarrollo y evaluación de modelos de deep learning para la interpretación de cardiotocografía”, donde detallan la investigación sobre un nuevo modelo de machine learning, cuyo propósito es proporcionar asistencia de interpretación objetiva a los proveedores de salud para reducir la carga de trabajo y mejorar los resultados fetales.
Al utilizar un conjunto de datos de CTG de código abierto, los investigadores lograron desarrollar modelos basados en redes neuronales de extremo a extremo para predecir medidas de bienestar fetal incluidas medidas objetivas como PH de la sangre arterial, y medidas subjetivas.
Este esfuerzo busca mejorar la interpretación de CTG con redes neuronales profundas. Actualmente la CTG y la ecografía son los métodos principales para evaluar el bienestar fetal en el útero. Sin embargo, a pesar del uso generalizado de CTG, se suelen asociar a una tasa de falsos positivos. Las altas tasas aumentan las cesáreas o partos vaginales operatorios, por lo que mejorando la interpretación de los CTG se podrán evitar intervenciones no necesarias en partos.
Actualmente, son necesarias diferentes interpretaciones de diferentes médicos, lo cual en zonas con menor cantidad de especialistas no ocurre, lo que puede generar intervenciones no necesarias. El flujo clínico que propone la investigación es que el algoritmo interprete los resultados y después sea revisado por un profesional clínico y posterior a eso realizar la intervención correspondiente.
“Actualmente estamos explorando la posibilidad de hacer de código abierto nuestros modelos con la esperanza de que otros investigadores y partes interesadas puedan aprovechar este trabajo con sus propios conjuntos de datos para evaluarlo para sus casos de uso clínico, teniendo en cuenta las limitaciones que se describen a continuación”, explicaron los investigadores en el blog de Google Research.
