Machine learning-based prediction of preeclampsia: a comparative study on model effectiveness

Resumen Técnico: Predicción de la Preeclampsia Basada en Aprendizaje Automático en Entornos de Bajos Recursos

Planteamiento del Problema
La preeclampsia sigue siendo una causa crítica de morbilidad materna y perinatal, particularmente en países de ingresos bajos y medios (PIBM) como Sri Lanka. Si bien el aprendizaje automático (ML) ha mostrado ser prometedor para predecir esta condición, los modelos existentes suelen depender de grandes conjuntos de datos de entornos de ingresos altos y biomarcadores especializados que no están disponibles en la práctica clínica rutinaria de los PIBM. Este estudio aborda una brecha metodológica específica: cómo desarrollar modelos de predicción de manera efectiva bajo las severas restricciones de datos típicas de los estudios de cohorte en fases tempranas en los PIBM. Estas restricciones incluyen tamaños de muestra pequeños, un desequilibrio de clases extremo (la preeclampsia es poco frecuente), variables predictoras limitadas (solo características clínicas de rutina) y el riesgo de fuga de datos (data leakage) al utilizar variables posteriores al desenlace. El estudio tiene como objetivo identificar el algoritmo más robusto para la predicción de la preeclampsia bajo estas condiciones realistas de recursos limitados para informar el desarrollo de una cohorte de nacimiento poblacional más amplia y potenciada por IA en Sri Lanka.

Metodología
El estudio utilizó un conjunto de datos retrospectivo de 343 mujeres embarazadas de la Provincia Occidental de Sri Lanka, que comprendía 310 casos negativos para preeclampsia y 33 casos positivos para preeclampsia (9.6% de prevalencia). Para simular un escenario genuino de predicción temprana y prevenir la fuga de objetivos, el modelo se restringió a seis características basales disponibles en el registro del embarazo temprano: edad materna, índice de masa corporal (IMC), gravidez, paridad, número de embarazos previos y número de partos previos.

Se evaluaron comparativamente seis algoritmos de aprendizaje automático:

1. Regresión Logística (LR)
2. Bosque Aleatorio (Random Forest - RF)
3. XGBoost (XGB)
4. Máquina de Vectores de Soporte (Support Vector Machine - SVM)
5. K-Vecinos Más Cercanos (K-Nearest Neighbours - KNN)
6. Red Neuronal Artificial (ANN)

El diseño experimental empleó una estrategia rigurosa de validación cruzada de cinco pliegues (five-fold cross-validation) con una estricta prevención de fuga de datos. Un componente crítico de la metodología fue el manejo del desequilibrio de clases. El estudio comparó modelos "base" (utilizando datos desequilibrados brutos o ponderación de clases) frente a modelos aumentados con la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE). SMOTE se aplicó exclusivamente a los datos de entrenamiento dentro de cada pliegue para generar muestras minoritarias sintéticas, asegurando que el conjunto de validación permaneciera intacto y fuera representativo de la distribución original. El rendimiento se evaluó utilizando métricas apropiadas para la clasificación desequilibrada, incluyendo exactitud balanceada, Área Bajo la Curva (AUC), sensibilidad (recall), precisión, puntuación F1 y estabilidad (medida como la desviación estándar entre los pliegues).

Resultos Clave

• Rendimiento Base: Sin el manejo del desequilibrio, todos los modelos fallaron en detectar la clase minoritaria de manera efectiva. La Regresión Logística, KNN y XGBoost lograron un recall de cero, prediciendo esencialmente la clase mayoritaria para todas las muestras. Aunque algunos modelos (como SVM con ponderación de clase) mostraron un recall modesto, sufrieron de baja precisión o de una varianza extrema.
• Impacto de SMOTE: La aplicación de SMOTE mejoró drásticamente la detección de la clase minoritaria en todos los algoritmos.
• Comparación de Modelos:
  • XGBoost con SMOTE emergió como el modelo óptimo, logrando el mejor equilibrio entre rendimiento y estabilidad. Registró una exactitud balanceada de 0.889 ± 0.027, un AUC de 0.956 ± 0.013 y un recall de 0.88 ± 0.03. Crucialmente, demostró la menor varianza (desviación estándar) en todas las métricas, lo que indica una alta estabilidad.
  • KNN con SMOTE logró estimaciones puntuales comparables (AUC 0.914) pero exhibió una varianza significativamente mayor (DE del recall 0.10 frente a 0.03 para XGBoost), lo que sugiere sobreajuste (overfitting) dado el pequeño tamaño de la muestra.
  • Random Forest mostró un rendimiento robusto (AUC 0.902) pero fue superado por XGBoost en estabilidad y métricas generales.
  • SVM logró un rendimiento moderado (AUC 0.833) con alta varianza.
  • ANN tuvo un rendimiento inferior en comparación con los métodos basados en árboles (AUC ~0.81), confirmando que el aprendizaje profundo no ofrece ventajas para conjuntos de datos tabulares pequeños con contenido de información limitado.
  • Regresión Logística tuvo el peor desempeño (AUC 0.733), lo que indica que la relación entre las variables seleccionadas y la preeclampsia es no lineal.
• Verificación de Fuga de Datos: Los modelos que incorporaron variables posteriores al desenlace (por ejemplo, la edad gestacional al parto) produjeron un rendimiento artificialmente inflado (AUC > 0.98), validando la necesidad de una selección estricta de características temporales.

Contribuciones Clave

1. Selección de Algoritmos para Entornos con Restricción de Datos: El estudio proporciona evidencia empírica de que los métodos de ensamble, específicamente XGBoost combinado con SMOTE, son superiores al aprendizaje profundo (ANN) y a los modelos lineales (LR) para la predicción de la preeclampsia cuando los tamaños de muestra son pequeños (<1,000) y los eventos son raros (<50).
2. Estabilidad sobre Estimaciones Puntuales: El documento establece un marco metodológico que prioriza la estabilidad del modelo (baja varianza) sobre las estimaciones puntuales brutas. Demuestra que los modelos de alto rendimiento pero inestables (como KNN en este contexto) son clínicamente poco confiables cuando el recuento de eventos es bajo.
3. Benchmarking de Factibilidad: Establece un punto de referencia de rendimiento realista para la predicción de la preeclampsia utilizando solo variables clínicas de rutina en un entorno de PIBM, distinguiendo este trabajo de los estudios que dependen de biomarcadores especializados.
4. Protocolo de Validación Riguroso: El estudio destaca la importancia crítica de los protocolos estrictos de validación cruzada que evitan la fuga de datos de las muestras sintéticas (SMOTE) hacia los conjuntos de validación, un error común en la investigación de ML médica.

Significancia y Reivindicaciones
Los autores posicionan explícitamente este trabajo como un estudio de factibilidad metodológica preparatoria en lugar de una herramienta clínicamente desplegable. La significancia radica en su papel como prototipo para una futura cohorte de nacimiento poblacional más amplia en Sri Lanka.

El artículo sostiene que, si bien XGBoost con SMOTE muestra una discriminación prometedora (AUC ~0.96), los resultados actuales no son suficientes para el uso clínico debido a:

• El pequeño tamaño de la muestra (solo 33 eventos), lo que limita el poder estadístico y la generalizabilidad.
• La falta de validación externa.
• La ausencia de una evaluación de calibración.

Los autores concluyen que, para la cohorte de nacimiento planificada, el trabajo futuro debe centrarse en acumular un número adecuado de eventos (apuntando a 5,000–10,000 participantes), realizar validación externa, incorporar predictores longitudinales y realizar un análisis de calibración antes de que se pueda considerar cualquier implementación clínica. El estudio sirve para guiar la selección de algoritmos y la evaluación centrada en la estabilidad para futuras iteraciones de la cohorte impulsada por IA.