Detectar a tiempo los embarazos con riesgo de bajo peso al nacer puede marcar la diferencia entre un inicio saludable o complicado para el bebé. Un estudio pionero realizado en Brasil demuestra que los algoritmos de inteligencia artificial ya son capaces de anticipar este riesgo antes del tercer trimestre de gestación con una precisión que alcanza el 94%.
La investigación, basada en datos de más de 1.500 mujeres, ofrece nuevas herramientas para prevenir complicaciones y reforzar los cuidados prenatales desde fases tempranas del embarazo. Los científicos analizaron variables como la edad de la madre, su estado civil, nivel educativo, raza, frecuencia de actividad física, y número de controles prenatales.
Todo ello alimentó un sistema de aprendizaje automático que logró detectar qué embarazadas tenían más probabilidades de dar a luz a un bebé con peso inferior a los 2.500 gramos, umbral clínico que define el llamado bajo peso al nacer (LBW, por sus siglas en inglés).
Este estudio no solo permite anticipar riesgos con semanas de ventaja, sino que también arroja luz sobre qué hábitos y condiciones de vida aumentan las probabilidades de que un recién nacido tenga bajo peso. Para muchas madres y familias, estos hallazgos suponen una oportunidad para tomar decisiones preventivas con respaldo científico, especialmente en contextos con recursos sanitarios limitados.
La inteligencia artificial al servicio de la salud
El trabajo ha sido desarrollado por un equipo multidisciplinar de la Universidad de São Paulo y otras instituciones brasileñas, en colaboración con el Ministerio de Salud de Mozambique.
El equipo dirigido por el Dr. Audêncio Victor utilizó datos del “Araraquara Cohort”, un seguimiento longitudinal de 1.579 embarazadas en el municipio de Araraquara, São Paulo, entre 2017 y 2022. Se excluyeron embarazos gemelares y casos con aborto espontáneo, pero se incluyeron partos con mortinatos para evaluar el curso de la gestación. La recogida de datos tuvo lugar desde las primeras 19 semanas de embarazo y abarcó variables clínicas, demográficas y comportamentales.
A partir de estos datos, los investigadores entrenaron cuatro algoritmos de inteligencia artificial: Random Forest, XGBoost, LightGBM y CatBoost. Tras aplicar técnicas de balanceo para evitar sesgos estadísticos (SMOTE) y usar métodos explicativos como los valores de Shapley, lograron identificar patrones que predecían el bajo peso al nacer con una fiabilidad notable. El modelo más efectivo fue XGBoost, que alcanzó un área bajo la curva ROC de 0,94, una métrica usada para valorar la capacidad de predicción.
Los factores más determinantes fueron la edad gestacional, el estado civil de la madre y la ausencia de actividad física regular. También influyeron el número de visitas al control prenatal, la raza materna, y antecedentes médicos como infecciones urinarias o hipertensión durante el embarazo.
El bajo peso al nacer se puede anticipar
El hallazgo más relevante de esta investigación es que el bajo peso al nacer no es un fenómeno impredecible, sino que puede anticiparse con tecnología bien aplicada.
Para las familias, esto se traduce en la posibilidad de actuar antes de que aparezcan las complicaciones: ajustar la alimentación en el embarazo, reforzar el control médico, modificar hábitos como el sedentarismo o incluso mejorar el apoyo social a la madre.
Por ejemplo, el estudio confirma que las mujeres sin pareja estable tenían mayor riesgo de tener un bebé con bajo peso, lo que refuerza la necesidad de redes de apoyo emocional y social durante el embarazo. También muestra que no hacer ejercicio durante la gestación se asocia con peores resultados, un punto que encaja con lo que ya han defendido campañas recientes de salud perinatal.
Este tipo de predicción no sustituye el criterio médico, pero sí puede complementarlo con datos objetivos y procesables desde el primer trimestre. Los investigadores señalan que su modelo podría integrarse fácilmente en sistemas de salud pública, especialmente mediante aplicaciones móviles (mHealth), que alerten a los profesionales de salud y ayuden a priorizar intervenciones según el riesgo individual de cada paciente.
En países como Brasil, donde hay grandes desigualdades regionales en el acceso a la salud, esta herramienta podría ser decisiva para reducir complicaciones neonatales. Y si se valida en otros entornos, también puede trasladarse a otros lugares de América Latina o, por qué no, a centros de salud o matronas en zonas rurales de España.
Referencias
- Audêncio Victor, Francielly Almeida, Sancho Pedro Xavier, Patrícia H.C. Rondó. Predicting low birth weight risks in pregnant women in Brazil using machine learning algorithms: data from the Araraquara cohort study. BMC Pregnancy and Childbirth, 2025. DOI: 10.1186/s12884-025-07351-3
