Cohort profile: the Cohort for Risk Prediction Model Evaluation (CORE) for external validation of models identifying high-risk pregnant women in the early second trimester, North India

Resumen Técnico: La Cohorte CORE para la Validación Externa de Modelos de Embarazo de Alto Riesgo

Planteamiento del Problema
A pesar de la proliferación de modelos de predicción clínica diseñados para identificar embarazos de alto riesgo (específicamente parto pretérmino, pequeño para la edad gestacional y bajo peso al nacer), su utilidad en la práctica clínica se ve severamente limitada por la falta de una validación externa rigurosa. El artículo señala que los modelos existentes son frecuentemente desarrollados en conjuntos de datos pequeños y de fuente única, y rara vez son probados en poblaciones independientes. Las revisiones sistemáticas indican que solo aproximadamente el 6–10% de tales modelos se someten a validación externa, lo que plantea preocupaciones sobre su fiabilidad cuando se aplican a poblaciones diversas. En el contexto de los países de ingresos bajos y medios (PIBM) como la India, donde la mortalidad neonatal sigue siendo alta, existe una necesidad crítica de cohortes independientes y bien caracterizadas para validar estos modelos antes de que puedan ser desplegados de forma segura.

Metodología
La Cohorte para la Evaluación de Modelos de Predicción de Riesgo (CORE) es un estudio observacional prospectivo establecido para abordar esta brecha de validación.

• Diseño del Estudio y Población: El estudio reclutó a 964 mujeres embarazadas (edad >18 años) con embarazos intrauterinos únicos y vivos en el Instituto Hamdard de Ciencias Médicas y Investigación (HIMSR), un hospital de atención terciaria en Nueva Delhi, India, entre agosto de 2021 y marzo de 2023.
• Criterios de Inclusión: El reclutamiento ocurrió antes de las 20 semanas de gestación, con la edad gestacional confirmada mediante la longitud corona-rumpiente (CRL) medida antes de las 14 semanas.
• Recolección de Datos:
  • Sociodemográficos y Clínicos: Se capturaron datos estructurados sobre el tipo de hogar, educación, ocupación, ingresos, factores de estilo de vida (tabaco, tabaquismo) e historia obstétrica en el momento del reclutamiento.
  • Imagen Ecográfica: Se realizó una ecografía de anomalías de Nivel 2 estandarizada entre las 18–20 semanas utilizando un Samsung HS70A. El protocolo incluyó biometría fetal (cabeza, abdomen, fémur) y medición de la longitud cervical. Crucialmente, para cada parámetro, se capturaron y almacenaron por separado imágenes tanto "limpias" (sin anotaciones) como "con anotación de calibrador" para apoyar la validación de modelos de IA basados en imágenes.
  • Armonización: Los protocolos se armonizaron con las cohortes GARBH-Ini y AMANHI para permitir análisis agrupados y trans-cohorte.
• Control de Calidad: Se implementó un proceso de control de calidad ecográfico de dos niveles, que involucró la selección de las mejores imágenes por parte de un radiólogo y la revisión mensual de un 10% de las imágenes utilizando rúbricas estructuradas.
• Resultos: Las participantes fueron seguidas hasta el parto. Los resultados primarios incluyeron parto pretérmino (PTB), pequeño para la edad gestacional (SGA), grande para la edad gestacional (LGA) y Recién Nacido Pequeño Vulnerable (SVN), definidos según los estándares de la OMS e INTERGROWTH-21st.

Resultados Clave

• Demografía: La mediana de la edad materna fue de 27.6 años. La cohorte se dividió equitativamente entre mujeres nulíparas (50%) y multíparas (50%). Aproximadamente el 51% tenía un IMC normal, el 30% tenía sobrepeso y el 11% presentaba obesidad.
• Seguimiento: Los resultados estuvieron disponibles para 750 participantes (77.8%), comprendiendo 23 abortos, 3 mortinatos y 724 nacimientos vivos únicos.
• Prevalencia de Resultados:
  • Parto Pretérmino: 11.0% (80/724) de los nacimientos vivos.
  • SGA: 26.5% (190/716) de los recién nacidos.
  • LGA: 5.6% (40/716) de los recién nacidos.
  • Recién Nacido Pequeño Vulnerable (SVN): 36.3% (260/716) de los recién nacidos cumplieron con los criterios de SVN (pretérmino, SGA o bajo peso al nacer).
• Potencia Estadística: El tamaño de la muestra se calculó para proporcionar una potencia adecuada para evaluar la discriminación (AUROC) de los modelos existentes alrededor de 0.75 para los principales resultados, aunque los autores señalan que el tamaño de la muestra es menos que ideal para una evaluación precisa de la calibración.

Contribuciones Clave

1. Recurso Especializado para la Validación: CORE proporciona una cohorte basada en un PIBM dedicada específicamente para la validación externa de modelos de predicción de riesgo de embarazo, abordando la escasez de tales recursos en la India.
2. Preparación para IA Basada en Imágenes: Al retener imágenes ecográficas tanto limpias como anotadas, la cohorte apoya de manera única la validación de modelos de aprendizaje automático basados en imágenes, una capacidad que suele faltar en las cohortes clínicas.
3. Protocolos Armonizados: La alineación del estudio con los protocolos de GARBH-Ini y AMANHI permite análisis agrupados "de igual a igual", creando potencialmente una plataforma de validación distribuida y robusta cuando se combina con otras cohortes.
4. Acceso Controlado a los Datos: Los autores han establecido un modelo de acceso controlado gestionado por un Comité de Acceso a Datos, que permite a los investigadores solicitar datos clínicos y de imagen desidentificados para la validación externa y análisis secundarios.

Significancia y Reivindicaciones
El artículo posiciona a CORE no como una solución completa a la brecha de validación externa, sino como un paso necesario hacia ella. Los autores afirman que la cohorte ofrece una "plataforma de la vida real en un PIBM" para probar el rendimiento de los modelos existentes en una población que ha estado históricamente subrepresentada en los estudios de validación.

La significancia radica en el cambio de desarrollar nuevos modelos a validar rigurosamente los existentes. Los autores enfatizan que el factor limitante para el despliegue de la IA clínica no es la falta de modelos, sino la falta de modelos validados que sean seguros para el uso clínico. CORE pretende facilitar esto proporcionando un conjunto de datos de alta calidad y armonizado donde se pueda evaluar la discriminación del modelo. Los autores declaran modestamente que, si bien la cohorte es valiosa para la evaluación de la discriminación, su naturaleza de un solo centro limita la generalizabilidad directa; su verdadero valor se realiza cuando se agrupa con cohortes comparables para refinar los modelos para poblaciones heterogéneas.

Limitaciones Reconocidas
Los autores señalan explícitamente que la cohorte es de un solo centro y basada en un hospital, lo que restringe la generalizabilidad directa a entornos comunitarios u otras regiones geográficas. Además, la ausencia de un seguimiento continuo entre las 20 semanas y el parto limita la evaluación de los cambios temporales, y el tamaño de la muestra, aunque suficiente para la discriminación, es menor de lo recomendado para una estimación precisa de los parámetros de calibración.