Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

Cada año, millones de mujeres dan a luz y, para la mayoría, el proceso concluye con una cantidad manejable de sangrado. Sin embargo, para un número significativo, este sangrado se vuelve excesivo y potencialmente mortal, una condición conocida como hemorragia posparto. Sigue siendo la principal causa de muerte materna en todo el mundo, cobrándose miles de vidas anualmente. El desafío médico radica en la imprevisibilidad del evento; si bien los médicos pueden identificar grupos de riesgo amplios, luchan por determinar exactamente qué mujer individual experimentará una hemorragia peligrosa antes de que ocurra. Para cerrar esta brecha, los investigadores han recurrido al aprendizaje automático, una rama de la inteligencia artificial donde las computadoras aprenden a encontrar patrones en vastas cantidades de datos. La esperanza es que, al alimentar a una computadora con miles de detalles sobre la salud de una madre, su embarazo y sus análisis de sangre, la máquina pueda detectar señales de advertencia sutiles que los médicos humanos pasan por alto, permitiendo una intervención más temprana y precisa.

Un equipo de investigadores en Irán se propuso probar si estos modelos computacionales podrían predecir con éxito la hemorragia posparto utilizando datos del mundo real de dos importantes hospitales en Teherán. Recopilaron información de 604 mujeres que habían dado a luz, recolectando una amplia gama de detalles que incluían su edad, antecedentes médicos, el método de parto y resultados de laboratorio específicos tomados inmediatamente después del nacimiento. Los investigadores estaban particularmente interesados en marcadores como el lactato sérico, una sustancia en la sangre que aumenta cuando el cuerpo está bajo estrés o no recibe suficiente oxígeno, así como en los niveles de fibrinógeno, una proteína esencial para la coagulación de la sangre. Dividieron a las participantes en dos grupos: aquellas que experimentaron una hemorragia y aquellas que no, y luego utilizaron varios algoritmos de aprendizaje automático para ver si los datos podían distinguir de manera confiable entre los dos grupos antes de que ocurriera el sangrado.

El estudio reveló que ciertos factores estaban, de hecho, vinculados a la ocurrencia de la hemorragia. Los investigadores encontraron que las mujeres que experimentaron hemorragia posparto tenían niveles significativamente más altos de lactato sérico en comparación con aquellas que no la tuvieron. También observaron que la condición era más común en mujeres con preeclampsia, una complicación del embarazo que implica presión arterial alta, y menos común en mujeres que habían tenido partos prematuros o que tenían un historial de cesáreas previas. Estos hallazgos coinciden con la idea de que la respuesta fisiológica del cuerpo al estrés y su capacidad para coagular la sangre son centrales en el problema. Los datos mostraron una conexión clara entre estos marcadores biológicos específicos y el desenlace, sugiriendo que el cuerpo emite señales mensurables cuando se dirige hacia una crisis hemorrágica.

Sin embargo, cuando los investigadores pidieron a los modelos de aprendizaje automático que utilizaran estas señales para predecir el evento, los resultados fueron mucho menos alentadores. A pesar de los claros vínculos encontrados en los datos brutos, los modelos computacionales no lograron identificar con precisión qué mujeres desarrollarían una hemorragia. El modelo con mejor desempeño, un método estadístico llamado regresión logística, logró clasificar el riesgo ligeramente mejor que el azar, pero falló en casi todos los casos reales de hemorragia. En términos prácticos, los modelos eran tan cautelosos que etiquetaron a casi todas las mujeres como seguras, ignorando efectivamente a las pocas que realmente estaban en riesgo. Otros algoritmos complejos, incluyendo aquellos diseñados para encontrar patrones intrincados, no funcionaron mejor, fallando a menudo en detectar un solo caso de hemorragia mientras identificaban correctamente a la gran mayoría de las mujeres que permanecieron sanas.

Los investigadores concluyeron que, si bien los marcadores biológicos que midieron están fuertemente relacionados con la hemorragia posparto, no son suficientes por sí solos para construir una herramienta de predicción confiable. Los modelos computacionales pudieron ver la conexión en los números, pero no pudieron traducir esa conexión en un sistema de advertencia útil para pacientes individuales. Esto resalta una difícil realidad en la ciencia médica: encontrar una correlación entre un síntoma y una enfermedad no significa automáticamente que una computadora pueda predecir la enfermedad antes de que ocurra. El estudio sugiere que, si bien estas pruebas de laboratorio son valiosas para comprender lo que le sucede a una paciente durante o inmediatamente después de una hemorragia, es posible que no sean la clave para detenerla antes de que comience. El camino hacia un sistema de predicción funcional probablemente requiere más datos, diferentes tipos de información y, quizás, una mejor manera de manejar el hecho de que las hemorragias severas son eventos raros en comparación con los partos normales.