En esta publicación, presento un resumen del artículo científico titulado “Development and Evaluation of Deep Learning Models for Cardiotocography Interpretation” (Desarrollo y Evaluación de Modelos de Aprendizaje Profundo para la Interpretación de Cardiotocografía), acerca de Monitoreo Electrónico Fetal e Inteligencia Artificial.

Este trabajo fue publicado el 6 de marzo de 2024 en la plataforma medRxiv, una revista científica de preprints especializada en el campo de la salud y biomedicina.

El estudio también esta disponible en Google Research y analiza cómo los modelos de aprendizaje profundo pueden mejorar la interpretación de cardiotocografías para la detección temprana de hipoxia fetal, un problema crucial en la obstetricia moderna

El monitoreo del bienestar fetal durante el trabajo de parto es un aspecto crucial en la obstetricia moderna. La cardiotocografía (CTG) (MEF) es una técnica ampliamente utilizada para esta tarea, pero su interpretación presenta desafíos significativos, especialmente en entornos con recursos limitados o con alta variabilidad entre observadores clínicos.

En este post abordamos un articulo reciente acerca de los avances en el uso de modelos de aprendizaje profundo para interpretar de manera automatizada los trazados de CTG y mejorar la detección de hipoxia fetal.

Desafíos Actuales en la Interpretación de la Cardiotocografía

Actualmente, los clínicos utilizan métodos visuales para interpretar las señales de la CTG, basándose en pautas como las proporcionadas por FIGO (Federación Internacional de Ginecología y Obstetricia). Sin embargo, la alta tasa de falsos positivos y la variabilidad interobservador son problemas bien documentados. Estas dificultades pueden llevar a intervenciones quirúrgicas innecesarias y no siempre mejoran los resultados neonatales.

Aprendizaje Profundo para la Detección de Hipoxia Fetal

La inteligencia artificial (IA), y en particular los modelos de aprendizaje profundo, están revolucionando la interpretación de señales médicas complejas como las de la CTG. Los modelos entrenados con redes neuronales pueden analizar señales fisiológicas de forma más precisa y consistente que los métodos tradicionales.

Comparación de Indicadores Objetivos y Subjetivos: pH vs. Puntuación Apgar

Uno de los principales hallazgos de este estudio fue que los modelos que utilizaron como indicador objetivo el pH del cordón umbilical tuvieron un mejor desempeño que aquellos que utilizaron la puntuación Apgar, un marcador subjetivo más común en escenarios de bajos recursos.

Implicaciones para la Práctica Clínica en Entornos de Bajos Recursos

La capacidad de estos modelos para manejar señales intermitentes y su robustez en diferentes escenarios clínicos los hace ideales para su implementación en centros de salud con menos recursos tecnológicos. Al mejorar la precisión en la detección de hipoxia fetal, estos modelos pueden tener un impacto directo en la reducción de intervenciones innecesarias y en la mejora de los resultados perinatales.

Recomendación:

El uso de IA en la interpretación de CTG no solo reduce la carga para los profesionales de la salud, sino que mejora la precisión en la detección de complicaciones como la hipoxia fetal. La adopción de estas tecnologías, especialmente en entornos con recursos limitados, es clave para mejorar los resultados neonatales y reducir las tasas de intervenciones quirúrgicas innecesarias.

Recomendaciones Prácticas:

• Implementar modelos de IA para la interpretación de CTG en tiempo real.
• Favorecer el uso de medidas objetivas como el pH del cordón umbilical.
• Adaptar los modelos de IA a entornos con monitorización intermitente.

---

Resumen del Artículo: Desarrollo y Evaluación de Modelos de Aprendizaje Profundo para la Interpretación de Cardiotocografía

Introducción: La cardiotocografía (CTG) es una técnica utilizada en el seguimiento fetal durante el trabajo de parto, registrando la frecuencia cardíaca fetal (FHR) y las contracciones uterinas (UC). Este método presenta una alta tasa de falsos positivos, lo que puede generar intervenciones quirúrgicas innecesarias.

La variabilidad en la interpretación visual de los expertos clínicos contribuye a este problema. Este estudio emplea técnicas de aprendizaje profundo para mejorar la objetividad en la interpretación de los trazados de CTG, con el objetivo de detectar hipoxia fetal de manera temprana y precisa.

Resumen de los Resultados Principales:

Este estudio aborda la variabilidad en la interpretación de las cardiotocografías (CTG) y propone un modelo de aprendizaje profundo para mejorar la detección de hipoxia fetal. El modelo CTG-net, basado en redes neuronales profundas, alcanzó un AUROC de 0.68 para la predicción de acidosis fetal utilizando el pH del cordón umbilical como referencia objetiva.

Se demostró que utilizar medidas objetivas, como el pH, mejora significativamente la precisión comparada con la puntuación subjetiva de Apgar. Además, el modelo mejoró su rendimiento con datos de contracciones uterinas y frecuencia cardíaca fetal combinadas, especialmente en escenarios de monitoreo intermitente típicos de entornos con recursos limitados.

Puntos y Argumentos Clave:

• Variabilidad en la Interpretación: La interpretación de las CTG es subjetiva y sufre de variabilidad inter e intra-observador, lo que afecta la toma de decisiones clínicas.
• Uso de Aprendizaje Profundo: El estudio emplea un modelo de redes neuronales profundas (CTG-net) para interpretar señales fisiológicas y mejorar la detección de hipoxia fetal.
• Comparación de Resultados: Se demostró que el uso de pH del cordón umbilical como etiqueta de referencia produce resultados más consistentes que la puntuación Apgar.
• Monitoreo en Entornos con Recursos Limitados: El modelo se adapta a entornos donde el monitoreo es intermitente, simulando escenarios de bajos recursos y demostrando robustez en la predicción de hipoxia fetal en diferentes momentos antes del parto.

Identificación de Métodos de Investigación Usados:

• Diseño de Investigación: El estudio utilizó un diseño de investigación basado en la creación y evaluación de un modelo de aprendizaje profundo para la interpretación de señales de cardiotocografía (CTG).
• Técnicas de Recolección de Datos: Los datos utilizados provienen de la base de datos abierta CTU-UHB Intrapartum Cardiotocography, que incluye 552 registros de CTG con mediciones de frecuencia cardíaca fetal y contracciones uterinas.
• Métodos de Análisis: Se empleó el modelo CTG-net, una red neuronal convolucional que analiza señales de CTG para predecir hipoxia fetal. Se realizaron evaluaciones utilizando el AUROC, sensibilidad y especificidad. El modelo fue entrenado con diferentes intervalos de tiempo y se realizó un análisis de subgrupos demográficos y clínicos.

Resumen (Abstract) Monitoreo Electrónico Fetal e Inteligencia Artificial:

La parte inicial del artículo presenta los principales desafíos asociados a la interpretación visual de las CTG y la propuesta de una solución basada en el aprendizaje profundo. Describe cómo el modelo mejora la detección de hipoxia fetal utilizando datos de pH del cordón umbilical y puntuaciones Apgar.

Se resalta la importancia de las mediciones objetivas para obtener resultados consistentes y se explora el impacto de las diferencias temporales en el rendimiento del modelo. Finalmente, se mencionan las posibles aplicaciones del modelo en entornos clínicos con recursos limitados.

Listado de Referencias Importantes:

1. Alfirevic et al., 2017: Discute el uso de cardiotocografía continua para la evaluación fetal, resaltando su alta tasa de falsos positivos.
2. Ogasawara et al., 2021: Introduce el modelo CTG-net original, que sirve como base para el presente estudio, demostrando la viabilidad de las redes neuronales para la interpretación de CTG.
3. Ayres-De-Campos et al., 2015: Proporciona las pautas de FIGO para el monitoreo fetal, utilizadas como referencia para las características extraídas en este estudio.
4. Spilka et al., 2014: Revisión de métodos automáticos para la evaluación de CTG que influyeron en la metodología del presente trabajo.
5. Lawn et al., 2016: Ofrece estadísticas globales sobre la mortalidad perinatal, proporcionando contexto sobre la importancia de mejorar el monitoreo fetal en entornos de bajos recursos.

Contribuciones Nuevas – Monitoreo Electrónico Fetal e Inteligencia Artificial:

• Uso de pH en lugar de Apgar: Este estudio es pionero en demostrar que el uso del pH del cordón umbilical como referencia objetiva mejora significativamente el rendimiento del modelo en la detección de hipoxia fetal.
• Adaptación a Monitoreo Intermitente: El modelo se ajusta a escenarios de monitoreo intermitente, característicos de hospitales en países con bajos recursos.
• Ablación Temporal: Se exploran variaciones temporales en los datos, mostrando cómo el modelo se adapta a diferentes intervalos de tiempo de las señales de CTG.

Identificación de Limitaciones y Trabajo Futuro:

• Tamaño de la Muestra: El estudio se basó en una base de datos limitada a 552 registros de un solo hospital, lo que restringe la generalización de los hallazgos.
• Comparación con Evaluaciones Humanas: No se incluyó una comparación directa del rendimiento del modelo frente a médicos observando el mismo conjunto de datos.
• Futuras Investigaciones: Se sugiere aumentar la diversidad del conjunto de datos y explorar la integración del modelo en flujos de trabajo clínicos, además de estudiar combinaciones de humanos y algoritmos para mejorar la toma de decisiones.

Datos relevantes y Conclusión:

• Introducción: El estudio parte de la necesidad de mejorar la precisión de la interpretación de las CTG, dada la alta tasa de falsos positivos y la variabilidad entre observadores clínicos. Se propone el uso de redes neuronales profundas para ofrecer una interpretación más objetiva y precisa, con un enfoque particular en la detección de hipoxia fetal.
• Conclusión: Los resultados indican que el uso de medidas objetivas como el pH mejora el rendimiento del modelo frente a métodos basados en Apgar. Además, se muestra la viabilidad de aplicar el modelo en entornos de bajos recursos y se destaca la necesidad de futuras investigaciones para su despliegue clínico a gran escala.

Monitoreo Electrónico Fetal e Inteligencia Artificial, Análisis Crítico del estudio:

Fortalezas:

• El uso de un modelo de aprendizaje profundo como CTG-net permite un análisis más preciso y objetivo de las señales de CTG, superando las limitaciones de los métodos tradicionales basados en reglas.
• La adaptación del modelo a entornos con monitoreo intermitente lo hace útil para hospitales en países en vías de desarrollo, donde los recursos son limitados.

Debilidades:

• El estudio se basa en un conjunto de datos relativamente pequeño y homogéneo, lo que limita la generalización de los resultados a diferentes contextos clínicos y demográficos.
• La falta de una comparación directa con las evaluaciones clínicas realizadas por médicos reduce la capacidad de validar la efectividad del modelo frente a la práctica médica actual.

Posibles Sesgos:

• El uso de un conjunto de datos de un solo hospital puede introducir sesgos demográficos y clínicos, lo que afecta la aplicabilidad del modelo en otros entornos con diferentes características poblacionales.

Calidad General del Estudio: Este estudio es un paso adelante en la mejora de la interpretación de las CTG mediante el uso de inteligencia artificial. Sin embargo, las limitaciones de tamaño de muestra y la necesidad de estudios adicionales para validar su uso en la práctica clínica real sugieren que todavía queda trabajo por hacer antes de que este modelo pueda ser implementado a gran escala en hospitales de todo el mundo.

---

CONCLUSIÓN

EL MODELO DE IA:

En conclusión, el uso del modelo de inteligencia artificial CTG-net ha demostrado ser un avance prometedor en la interpretación de cardiotocografías (CTG) para la predicción de hipoxia fetal. Este modelo utiliza una arquitectura de red neuronal convolucional que combina señales de la frecuencia cardíaca fetal (FHR) y las contracciones uterinas (UC), lo que le permite extraer patrones temporales complejos. A través de una convolución por profundidad, el modelo es capaz de aprender las relaciones entre ambas señales. Además, se realizaron optimizaciones de parámetros y una preentrenamiento sobre segmentos cortos de señales, seguido de un ajuste fino en los últimos 30 minutos de la grabación, lo que mejoró significativamente la precisión del modelo.

LOS RESULTADOS:

En términos de resultados, CTG-net alcanzó un AUROC de 0.68 para la predicción de acidosis fetal, superando en más de un 10% al modelo base evaluado en los mismos datos. Además, el modelo mostró una sensibilidad del 27% con una especificidad del 90%, lo que se comparó favorablemente con la práctica clínica tradicional, donde la sensibilidad es del 45% pero con una mayor variabilidad. El uso de metadatos clínicos, como la edad materna y condiciones preexistentes, mejoró ligeramente la precisión en la predicción del pH, aunque tuvo menos impacto en la predicción del puntaje Apgar, que resultó más inestable.

DISPONIBILIDAD DEL MODELO:

Actualmente, CTG-net se encuentra en una fase de investigación y se está evaluando su viabilidad para ser publicado como código abierto. Esto permitirá que otros investigadores puedan usar y entrenar el modelo con sus propios conjuntos de datos clínicos, adaptándolo a diferentes contextos y necesidades. El código del modelo aún no está disponible para descarga pública, pero se espera que esté disponible en un futuro cercano, permitiendo que clínicas y hospitales puedan implementar este sistema en su flujo de trabajo clínico.

Si deseas estar al tanto de su lanzamiento y conocer más sobre cómo utilizarlo, te sugerimos estar atento a los anuncios en plataformas de investigación como GitHub o repositorios académicos como medRxiv. Una vez disponible, su implementación requerirá conocimientos en redes neuronales profundas y programación en Python, utilizando frameworks como TensorFlow o Keras para su configuración y entrenamiento con datos locales.

---

Recomendaciones para la práctica clínica y la gestión:

• Incorporar modelos de inteligencia artificial para apoyar la interpretación de CTG en tiempo real, particularmente en ambientes de baja disponibilidad de personal clínico especializado.
• Priorizar el uso de medidas objetivas como el pH del cordón umbilical sobre las puntuaciones subjetivas de Apgar para mejorar los resultados neonatales.
• Implementar tecnologías que permitan la monitorización continua de CTG en clínicas con recursos limitados.
• Promover la formación en el uso de herramientas de inteligencia artificial para la interpretación de CTG, minimizando la variabilidad entre observadores.

Llamado a la Acción:

Para más información sobre cómo la IA está transformando la práctica clínica, visita nuestra sección de Gestión Clínica y Administrativa en Salud.

---

Enlaces de Interés

1. DEVELOPMENT AND EVALUATION OF DEEP LEARNING MODELS FOR CARDIOTOCOGRAPHY INTERPRETATION
2. Predicting fetal well-being from cardiotocography signals using AI

---

Te interesó este contenido?

Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.

Accede a otras publicaciones sobre gestión clínica y administrativa en salud y cómo la IA está remodelando estos campos aquí.

Oscar Efrem García Fernández