Durante el parto, saber con precisión cómo está orientada la cabeza del bebé puede marcar la diferencia entre un nacimiento fluido y una emergencia. Un nuevo modelo de inteligencia artificial desarrollado por investigadores europeos analiza ecografías transperineales en segundos para identificar la posición fetal con una precisión superior al 94%, y promete convertirse en una herramienta clave para mejorar la seguridad del parto.
Evaluar la posición de la cabeza fetal es crucial para un parto seguro. Esta es una tarea clave para decidir cómo se debe intervenir. Sin embargo, la exploración vaginal tradicional tiene una precisión muy limitada, incluso entre profesionales con experiencia, lo que puede traducirse en errores durante partos instrumentales.
Durante la última década, la ecografía transabdominal ha demostrado ser más fiable que el examen digital, y en los últimos años, la ecografía transperineal ha ganado relevancia por permitir visualizar simultáneamente la estación y la rotación de la cabeza fetal.
No obstante, esta técnica exige un conocimiento preciso de la anatomía cerebral fetal, lo que dificulta su uso generalizado en salas de parto.
Frente a este reto, un consorcio internacional de 16 hospitales desarrolló un modelo de inteligencia artificial basado en redes neuronales convolucionales. Su objetivo fue automatizar la lectura de ecografías transperineales, clasificando la posición de la cabeza fetal con alta precisión, independientemente de la experiencia del operador.
Un algoritmo entrenado con más de 2.000 imágenes ecográficas
El estudio, realizado entre 2018 y 2023, incluyó a mujeres con embarazos únicos, a término, sin anomalías fetales y en presentación cefálica.
En total, se recolectaron 2.660 imágenes ecográficas, de las cuales 2.154 cumplieron los criterios técnicos para ser incluidas en el entrenamiento y validación del modelo de IA.
Cada imagen fue etiquetada según la posición del occipucio identificada con ecografía transabdominal (referencia estándar): anterior (OA), posterior (OP), o transversal derecha o izquierda (OT). Posteriormente, se dividieron aleatoriamente en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%), manteniendo una proporción equilibrada entre las diferentes posiciones.
El modelo fue construido con tres redes neuronales distintas: la primera clasificó imágenes como OA o no-OA, la segunda diferenció OP de OT entre las no-OA y la tercera distinguió entre OT derecha e izquierda. Este enfoque jerárquico permitió afinar la precisión en cada etapa del proceso de clasificación.
Alta precisión para identificar malposiciones fetales
El rendimiento general del algoritmo fue sobresaliente. La precisión global para clasificar correctamente la posición fetal fue del 94,5 %, con una sensibilidad del 95,6 % y una especificidad del 91,2 %. La concordancia con la ecografía transabdominal fue muy alta (índice kappa de 0,90).
La red neuronal encargada de distinguir entre posición anterior y malposición logró una precisión del 98,3 %, con un F1-score de 0,97.
Las redes siguientes, responsables de diferenciar OP de OT y OT derecha de izquierda, alcanzaron precisiones de 93,9 % y 91,3 %, respectivamente, lo que refleja un rendimiento sólido incluso en casos menos frecuentes.
El tiempo promedio para analizar cada imagen fue de solo 80 milisegundos. Esto abre la posibilidad de integrar el modelo en dispositivos clínicos en tiempo real, aportando información inmediata durante el parto sin interferir en la dinámica asistencial.
Potencial clínico para decisiones rápidas y objetivas
Las malposiciones fetales aumentan el riesgo de extracciones fallidas, lesiones neonatales y partos instrumentales prolongados. Por ello, identificarlas correctamente antes de intervenir puede mejorar significativamente los resultados clínicos para madres y recién nacidos.
El nuevo modelo de IA podría ser especialmente útil en centros con menor experiencia en ecografía intraparto. Su aplicación permitiría estandarizar la evaluación ecográfica, reducir la dependencia del criterio subjetivo y optimizar el uso de intervenciones obstétricas.
Además, este algoritmo puede combinarse con otros modelos automáticos que estiman la estación fetal, generando una herramienta completa para la evaluación del progreso del parto.
Esta integración futura podría facilitar decisiones rápidas en situaciones críticas como sufrimiento fetal.
Validación multicéntrica y pasos hacia la práctica clínica
Uno de los principales puntos fuertes del estudio es su diseño multicéntrico, con imágenes obtenidas prospectivamente en 16 hospitales de diferentes países. Esto aporta una gran diversidad de datos clínicos y aumenta la robustez del modelo ante variaciones en ecógrafos, operadores y poblaciones.
No obstante, los autores reconocen limitaciones importantes. La menor representación de malposiciones fetales (OP y OT) en el conjunto de datos puede haber reducido la capacidad del modelo en esos subgrupos.
También falta validación en escenarios clínicos en tiempo real, ya que el análisis se realizó de forma offline.
A pesar de estas limitaciones, el estudio representa un paso significativo hacia la aplicación de inteligencia artificial en el parto.
Si futuros ensayos confirman su eficacia en tiempo real, el modelo podría incorporarse en ecógrafos obstétricos antes de 2030, según estimaciones de sus autores.
Una IA que ve lo que otros no pueden
El estudio demuestra que un sistema de inteligencia artificial puede identificar con gran precisión la posición de la cabeza fetal usando ecografías transperineales. Con un enfoque multicapa, alta velocidad y validación internacional, este modelo tiene el potencial de convertirse en una herramienta decisiva en salas de parto de todo el mundo.
La próxima etapa será validar su uso en pacientes en tiempo real y combinarlo con otros sistemas para una evaluación completa del canal de parto.
Así, la IA no solo predecirá, sino que también acompañará al equipo médico en decisiones críticas, elevando los estándares de seguridad y eficacia en el nacimiento.
Referencias
- Ramírez Zegarra R, Conversano F, Dall'Asta A, et al. A deep learning approach to identify the fetal head position using transperineal ultrasound during labor. Eur J Obstet Gynecol Reprod Biol. (2024). doi:10.1016/j.ejogrb.2024.08.012
