Inferring Optimised Pregnancy Conception Dates from Multiple Gestational Age Estimates: A Hybrid Anomaly Detection and Linear Mixed Model Approach

Resumen Técnico: Inferencia de Fechas de Concepción de Embarazo Optimizadas a partir de Múltiples Estimaciones de la Edad Gestacional

Planteamiento del Problema
La estimación precisa de la edad gestacional (EG) es crítica para la investigación perinatal, la farmacovigilancia y la toma de decisiones clínicas, particularmente para clasificar resultados como el parto pretérmino y los recién nacidos pequeños para la edad gestacional (PEG). Sin embargo, en entornos de bajos recursos como Kenia, los datos rutinarios del embarazo suelen caracterizarse por registros inconsistentes, acceso limitado a ecografías tempranas y estimaciones conflictivas derivadas de múltiples métodos (por ejemplo, la Fecha de la Última Menstruación [FUM], la altura uterina, ecografías posteriores y evaluaciones posnatales). Las reglas deterministas tradicionales o la revisión manual de expertos utilizadas para resolver estos conflictos no escalan a los grandes registros observacionales y no logran abordar adecuadamente los sesgos sistemáticos y las variaciones en la calidad de los datos inherentes a los conjuntos de datos del mundo real. El desafío central es cómo sintetizar múltiples mediciones de EG, a menudo contradictorias e inciertas, en una única fecha de concepción confiable para embarazos individuales sin un "estándar de oro" universal para cada caso.

Metodología
Los autores proponen un enfoque híbrido de dos etapas que combina la detección de anomalías mediante aprendizaje automático con el modelado estadístico, implementado con datos del Registro de Exposición al Embarazo MiMBa en 42 instalaciones de atención médica en el condado de Homa Bay, Kenia.

1. Etapa 1: Detección de Anomalías (Bosque de Aislamiento - Isolation Forest)

   • Objetivo: Identificar y excluir estimaciones de EG implausibles antes del modelado.
   • Algoritmo: El estudio emplea el Bosque de Aislamiento (IF), un algoritmo de detección de anomalías no supervisado. Opera bajo el principio de que las anomalías son "pocas y diferentes", requiriendo menos divisiones aleatorias para ser aisladas en el espacio de características en comparación con las observaciones normales.
   • Implementación: Se entrenaron modelos de IF independientes para distintos grupos de resultados del embarazo (Parto a Término Vivo, Parto Pretérmino Vivo, Mortinato, Aborto Espontáneo) para dar cuenta de las variaciones en las distribuciones de la EG.
   • Ingeniería de Características: Las entradas incluyeron estimaciones de EG crudas (FUM, Ecografía, altura uterina, puntuación de Ballard, longitud del pie) y características derivadas como la EG en la fecha esperada de parto, la EG en la fecha de parto real, puntuaciones z relativas a las distribuciones de la población y desviaciones de los rangos biológicos esperados.
   • Optimización: Los hiperparámetros (tasa de contaminación, número de estimadores, muestras máximas) se ajustaron mediante búsqueda de cuadrícula (grid search) para maximizar el coeficiente de silueta (silhouette score), asegurando una separación óptima entre los grupos normales y anómalos.
   • Validación: Se utilizó un esquema de validación cruzada de 5 pliegues (5-fold cross-validation), y las anomalías detectadas fueron sometidas a revisión manual por clínicos para verificar errores de entrada de datos.

2. Etapa 2: Modelado de Efectos Mixtos Lineales

   • Objetivo: Sintetizar las mediciones plausibles restantes en una única estimación de la "mejor" EG calibrada para cada embarazo.
   • Estructura del Modelo: Se ajustó un modelo de efectos mixtos lineales con la EG observada en la fecha del desenlace como la variable dependiente.
     • Efectos Fijos: Incluyeron el método de estimación de la EG (para capturar el sesgo sistemático respecto a la ecografía del primer trimestre) y la categoría de resultado del embarazo.
     • Efectos Aleatorios: Incluyeron un intercepto aleatorio específico por embarazo para dar cuenta de la correlación intra-embarazo y la variación individual.
   • Calibración: El modelo se ancló a la ecografía del primer trimestre (US1) como el estándar de referencia.
   • Salida: El modelo genera una Mejor Predicción Lineal Insesgada Empírica (BLUP) para cada embarazo. Esto combina la corrección de sesgo de efecto fijo con el intercepto aleatorio, efectivamente "tomando prestada la fuerza" de todo el conjunto de datos para refinar las estimaciones de los individuos con datos escasos. La fecha de concepción final se deriva restando esta EG calibrada de la fecha de parto observada.

Resultados Clave

• Calidad de los Datos y Anomalías: Las tasas de anomalías se distribuyeron de manera desigual, siendo significativamente más altas en resultados adversos (5.1% en abortos espontáneos) en comparación con partos a término vivos (0.5%). Los principales impulsores de las anomalías fueron los errores de entrada de datos en los registros de las clínicas de anteparto (46.8%) y los errores de memoria de la FUM.
• Precisión y Sesgo de los Métodos:
  • Ecografía: La ecografía del primer trimestre sirvió como el estándar de oro. Las ecografías posteriores mostraron un sesgo sistemático progresivo (aumentando de 3.15 días en el segundo trimestre a 6.41 días en el tercero) pero mantuvieron una alta precisión a nivel individual (Desviación Estándar: 7.5–8.9 días).
  • Métodos Clínicos/Posnatales: Métodos como la FUM, la altura uterina, la puntuación de Ballard y la longitud del pie exhibieron un sesgo medio mínimo (< 2 días) a nivel poblacional, pero sufrieron de una incertidumbre sustancial a nivel individual, con dispersiones de variabilidad que superan los 35 días.
• Desempeño del Modelo: El enfoque híbrido generó con éxito una fecha de concepción unificada y libre de sesgos para cada embarazo. Al agrupar la información de todo el conjunto de datos, el modelo proporcionó estimaciones individuales más confiables que cualquier método único podría ofrecer, incluso para mujeres con datos de ecografía temprana limitados o inexistentes.

Significancia y Reivindicaciones
El artículo sostiene que los conjuntos de datos de atención rutinaria, a menudo descartados debido a problemas de calidad de datos, pueden generar estimaciones de EG confiables cuando se someten a una limpieza de datos y un modelado estadístico rigurosos. La contribución principal es un marco escalable y basado en datos que:

1. Resuelve Conflictos: Sintetiza múltiples métodos de datación conflictivos en una métrica única y calibrada sin requerir un estándar de oro para cada caso individual.
2. Permite la Farmacovigilancia: Al proporcionar fechas de concepción individuales más precisas, el método respalda la alineación temporal precisa de las exposiciones a fármacos con las ventanas de desarrollo fetal, lo cual es esencial para los registros de farmacovigilancia y los estudios observacionales a gran escala donde no existen controles de nivel de ensayo clínico.
3. Cierra Brechas de Recursos: Ofrece una solución para entornos de bajos recursos donde la ecografía temprana es escasa, permitiendo a los investigadores utilizar los registros de salud digital existentes para obtener investigación perinatal de alta calidad.

Los autores señalan modestamente que, si bien la metodología es robusta para la investigación retrospectiva, su traducción a la práctica clínica en tiempo real requiere la integración de estos algoritmos en Registros Médicos Electrónicos (EMR) interoperables para proporcionar soporte de decisión en el punto de atención. También reconocen las limitaciones respecto a la escasez de ecografías tempranas para la calibración en grupos de resultados poco frecuentes y la necesidad de validación externa en diversos entornos.