Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

El embarazo es un evento fisiológico profundo que actúa como una rigurosa prueba de esfuerzo para el corazón y el metabolismo de la mujer. Durante estos nueve meses, el cuerpo debe gestionar el aumento del volumen sanguíneo, los cambios en los niveles hormonales y las demandas metabólicas de un feto en crecimiento. Para muchas, este proceso transcurre sin contratiempos, pero para otras, revela vulnerabilidades subyacentes. Pueden surgir o agravarse condiciones como la presión arterial alta, niveles irregulares de azúcar en la sangre y niveles bajos de hierro en la sangre, creando una compleja red de riesgos que amenazan tanto a la madre como al bebé. Estas complicaciones no son eventos aislados; a menudo están interconectados, y su presencia puede señalar una mayor probabilidad de partos difíciles, partos prematuros o problemas de salud a largo plazo para la madre más adelante en su vida. Identificar estos riesgos a tiempo permite que los médicos intervengan, monitoreen más de cerca y adapten la atención para prevenir desenlaces graves.

Durante décadas, los profesionales médicos han dependido de umbrales específicos e indicadores individuales para detectar estos peligros. Una lectura de presión arterial por encima de cierto número o un nivel de glucosa fuera de un rango normal activa una señal de advertencia. Sin embargo, el cuerpo humano no siempre sigue reglas simples y lineales. La interacción entre la edad de la mujer, su aumento de peso, su historial de embarazos anteriores y sus signos vitales actuales crea un patrón que es difícil de capturar con una simple lista de verificación. Esta complejidad ha llevado a los investigadores a explorar si las computadoras pueden aprender a reconocer estos patrones sutiles y no lineales mejor que los métodos tradicionales. La esperanza es que, al alimentar vastas cantidades de datos clínicos en algoritmos avanzados, las máquinas podrían predecir quién está en mayor riesgo, incluso antes de que los síntomas se vuelvan obvios.

Un estudio reciente se propuso probar esta idea utilizando dos enfoques diferentes: el aprendizaje automático tradicional y los modelos de lenguaje de gran tamaño, más conversacionales y recientes. Los investigadores comenzaron recopilando datos de dos colecciones de registros de salud materna disponibles públicamente. Un conjunto de datos contenía información general sobre mujeres embarazadas, mientras que el otro se centraba específicamente en una condición llamada preeclampsia, un trastorno grave que implica presión arterial alta. Para hacer que estas dos fuentes distintas funcionaran juntas, el equipo tuvo que traducir sus variables a un lenguaje común. Alinearon mediciones como la presión arterial, los niveles de hemoglobina y la edad gestacional para que una lectura en un conjunto de datos significara lo mismo en el otro. También estandarizaron las etiquetas de riesgo, agrupando a las mujeres en categorías de riesgo bajo, medio y alto basándose en sus registros médicos existentes.

La primera fase de la investigación consistió en entrenar un conjunto de modelos computacionales con el primer conjunto de datos. Estos modelos tenían la tarea de analizar el perfil clínico de una mujer y predecir su categoría de riesgo. Los investigadores probaron varios tipos de algoritmos, incluyendo árboles de decisión y máquinas de vectores de soporte, para ver cuál aprendía los patrones de manera más efectiva. Un modelo, conocido como HistGradientBoosting, resultó ser el de mejor desempeño. Al ser probado contra los datos con los que había aprendido, identificó correctamente el nivel de riesgo en casi el 88 por ciento de los casos. Demostró una fuerte discriminación interna para separar a las pacientes de alto riesgo del resto, con un área bajo la curva de característica operativa del receptor de 0.989 y un área bajo la curva de precisión-recuperación de aproximadamente 0.974. El modelo también identificó qué factores eran más importantes, destacando que la distancia a un hospital, los niveles de glucosa en sangre y el aumento de peso durante el embarazo eran impulsores clave en sus decisiones.

Sin embargo, la verdadera prueba de cualquier herramienta de predicción médica no es qué tan bien funciona con los datos con los que fue entrenada, sino qué tan bien funciona con datos nuevos y no vistos. Aquí es donde el estudio dio un giro crítico. Los investigadores tomaron su mejor modelo y lo aplicaron directamente al segundo conjunto de datos, que provenía de una fuente distinta y contenía pacientes diferentes. No reentrenaron el modelo ni ajustaron sus parámetros; simplemente le pidieron que hicera predicciones basadas en las seis variables que ambos conjuntos de datos compartían. Los resultados fueron drásticamente distintos. La precisión del modelo cayó significativamente, clasificando correctamente solo alrededor del 39 por ciento de los casos. Más preocupante aún, no logró identificar a una sola mujer que fuera realmente de alto riesgo en este nuevo grupo. En su lugar, etiquetó a las 26 mujeres de alto riesgo como de riesgo bajo o medio. Este fallo sugirió que los patrones que el modelo había aprendido eran específicos del primer grupo de pacientes y no se trasladaban al segundo, debido probablemente a que los dos grupos diferían en aspectos fundamentales, como la edad promedio de las madres o el momento de sus análisis de sangre.

Reconociendo que los modelos tradicionales podrían tener dificultades con esta falta de generalizabilidad, los investigadores recurrieron a los modelos de lenguaje de gran tamaño. Estos son el mismo tipo de sistemas de inteligencia artificial que pueden escribir ensayos, responder preguntas y mantener conversaciones. El equipo convirtió los registros médicos estructurados en narrativas de lenguaje natural sencillo, describiendo la historia y la condición actual de cada paciente en unas pocas frases. Luego, pidieron a dos modelos de lenguaje diferentes, DeepSeek y Qwen, que leyeran estas historias y predijeran el nivel de riesgo. Probaron varios métodos de formulación de instrucciones (prompting), incluyendo el darles ejemplos de cómo resolver problemas similares antes de pedirles que resolvieran uno nuevo. La configuración de mejor desempeño, que utilizó un tipo específico de instrucción de razonamiento, logró identificar correctamente el nivel de riesgo en aproximadamente el 58 por ciento de los casos. Aunque esto fue mejor que el desempeño del modelo tradicional en los nuevos datos, todavía estaba lejos de ser perfecto. El modelo mostró un sesgo claro: identificó con éxito los cuatro casos de alto riesgo en el pequeño grupo de prueba, pero no logró identificar ninguno de los casos de bajo riesgo, asumiendo esencialmente que todos estaban al menos algo en riesgo.

Los investigadores también analizaron cómo estos diferentes sistemas explicaban sus decisiones. Compararon los factores que el modelo de aprendizaje automático tradicional consideraba importantes con las palabras clave que los modelos de lenguaje utilizaron en sus explicaciones escritas. Ambos sistemas coincidieron en que la presión arterial, el azúcar en sangre y los niveles de hemoglobina eran indicadores críticos de riesgo. Sin embargo, divergieron en otros factores. El modelo tradicional otorgó un peso significativo a la distancia que una paciente vivía de un hospital y a cuánto peso había ganado, probablemente porque estos eran señales estadísticas fuertes en los datos. Los modelos de lenguaje, por el contrario, rara vez mencionaban estos factores logísticos y físicos. En su lugar, se centraron más fuertemente en el historial médico previo de la paciente y complicaciones anteriores, basándose en el conocimiento clínico incrustado en su entrenamiento. Esta diferencia resalta una brecha entre lo que los datos sugieren estadísticamente y lo que los modelos encuentran clínicamente plausible.

El estudio concluye que, si bien estas herramientas muestran potencial, aún no están listas para el uso clínico. El modelo de aprendizaje automático tradicional funcionó bien dentro del entorno para el cual fue construido, pero no pudo adaptarse a una nueva población, un obstáculo común en la inteligencia artificial médica. Los modelos de lenguaje de gran tamaño mostraron la capacidad de leer notas clínicas y generar explicaciones legibles para los humanos, pero sus predicciones eran inestables y propensas al sesgo. Los investigadores enfatizan que el valor de este trabajo no radica en producir un único predictor perfecto, sino en demostrar la dificultad de trasladar un modelo de un conjunto de datos a otro. Sugieren que, para que estas tecnologías sean útiles en los hospitales del mundo real, deben ser probadas en grupos de pacientes mucho más grandes y diversos, y validadas contra resultados de salud reales en lugar de solo etiquetas existentes. Hasta entonces, estos sistemas siguen siendo herramientas experimentales que pueden organizar información y sugerir posibilidades, pero que aún no pueden reemplazar el juicio de un clínico.