El crecimiento fetal restringido (FGR, por sus siglas en inglés) es uno de los factores más importantes asociados a la mortalidad perinatal, pero también uno de los más difíciles de interpretar. Muchos de los fetos diagnosticados con FGR nacen sin complicaciones, mientras que otros presentan consecuencias graves o incluso mueren. Actualmente, este diagnóstico se basa en el percentil de peso fetal estimado por ecografía, pero no considera el contexto clínico completo.
El desafío es enorme: los mismos protocolos clínicos se aplican a fetos con riesgos muy dispares. Esta falta de precisión obliga a monitorizar intensamente a embarazos que podrían no necesitarlo, mientras que otros casos de alto riesgo pueden pasar desapercibidos.
Con el objetivo de superar esta limitación, un equipo de investigadores desarrolló un modelo de inteligencia artificial explicable basado en redes probabilísticas, conocido como modelo gráfico probabilístico (PGM). Este modelo permitió cuantificar los riesgos específicos de morbilidad perinatal a partir de combinaciones clínicas complejas.
IA explicable para analizar miles de escenarios clínicos
El estudio, publicado en BMC Pregnancy and Childbirth en 2025, analizó datos de 9.558 embarazos del estudio observacional estadounidense nuMoM2b. La cohorte incluyó mujeres sin embarazos previos, con controles estandarizados, ecografías y seguimiento hasta el parto.
Los investigadores seleccionaron 16 variables clave entre más de 900 opciones clínicas, ecográficas y psicosociales, y entrenaron un modelo PGM capaz de estimar la probabilidad conjunta de complicaciones como sepsis neonatal, asfixia, prematurez, malformaciones o muerte fetal.
La IA mostró un rendimiento robusto (AUC 0,83) incluso en escenarios raros.
A diferencia de otros modelos, el PGM permite descomponer y visualizar los factores que aumentan el riesgo, y detectar interacciones complejas entre variables que pasan desapercibidas para los clínicos humanos. Una de estas combinaciones fue particularmente llamativa.
Una combinación inesperada que revierte los efectos conocidos
Uno de los hallazgos más relevantes del estudio fue la interacción entre el sexo fetal femenino y la diabetes preexistente de la madre. En general, las niñas tienen menor riesgo perinatal que los niños, pero el modelo identificó que esa protección se revierte si la madre tiene diabetes tipo 1 o tipo 2.
Este fenómeno no había sido identificado previamente con claridad. En contextos de bajo peso fetal (percentil 3-9%), el riesgo de morbilidad perinatal fue hasta 60% mayor en fetos femeninos cuando la madre tenía diabetes, en comparación con varones en el mismo contexto.
El hallazgo sugiere una posible interacción entre metabolismo materno, sexo fetal y crecimiento.
Este tipo de hallazgos solo es posible gracias a modelos que analizan dependencias condicionales entre variables. La IA no solo predice, sino que explica por qué un caso es más riesgoso, permitiendo a los clínicos interpretar y actuar.
Embarazos tratados igual, riesgos diez veces mayores
En la práctica clínica, todos los fetos con peso estimado entre el percentil 3 y 9 se manejan del mismo modo. Sin embargo, el modelo identificó diferencias de riesgo de hasta 10 veces dentro de ese mismo grupo.
Por ejemplo, un feto femenino con peso en el percentil 5, madre con diabetes, uso de progesterona y una malformación menor presentaba un riesgo 9,8 veces mayor que el promedio de la cohorte.
En cambio, otro feto femenino en el mismo percentil, sin esos factores, no tenía mayor riesgo que el promedio poblacional.
Estos embarazos se tratan igual bajo las guías actuales, que no diferencian el riesgo según combinaciones clínicas. Esta aproximación unificada podría derivar en sobretratamiento innecesario o en no detectar embarazos con riesgo real.
Decisiones personalizadas para escenarios raros
El modelo demostró gran capacidad para analizar escenarios únicos o poco frecuentes, que representan un 5% de todos los embarazos pero que son difíciles de evaluar por la experiencia clínica sola.
Incluso en combinaciones no vistas durante el entrenamiento, la IA mantuvo su rendimiento. Esto sugiere que podría ser una herramienta confiable para decisiones individualizadas en contextos clínicos complejos, donde la intuición médica es necesaria pero no suficiente.
Además, el modelo puede adaptarse para estimar cualquier variable dentro de la red (por ejemplo, riesgo de cesárea urgente o parto pretérmino), según el contexto clínico observado.
Un paso hacia el futuro de la medicina obstétrica
Los autores destacan que el modelo aún no está listo para aplicación clínica, ya que incluye variables solo disponibles tras el parto. Sin embargo, constituye una prueba de concepto poderosa de lo que puede lograrse.
Las herramientas de IA explicable permiten conservar la experiencia humana, pero con transparencia, consistencia y escalabilidad.
En un futuro, estos modelos podrían integrarse con biomarcadores, datos genómicos o sensores portátiles para personalizar completamente la atención prenatal.
El hallazgo también cuestiona la utilidad de categorías únicas como FGR sin contexto, y promueve una visión más rica, basada en datos. En medicina materno-fetal, donde cada semana y cada decisión cuentan, este enfoque podría salvar vidas.
Referencias
- Zimmerman, R.M., Hernández, E.J., Yandell, M. et al. AI-based analysis of fetal growth restriction in a prospective obstetric cohort quantifies compound risks for perinatal morbidity and mortality and identifies previously unrecognized high risk clinical scenarios. BMC Pregnancy Childbirth. (2025). doi: 10.1186/s12884-024-07095-6
