Development and Validation of an AI-Based Decision Support Tool (PROMETHEUS) for Predicting Methotrexate Success in Ectopic Pregnancy

Resumen Técnico: Desarrollo y Validación de PROMETHEUS

Planteamiento del Problema
El embarazo ectópico (EE) es una condición potencialmente mortal que requiere un manejo preciso para minimizar la morbilidad y la mortalidad. Si bien la terapia con metotrexato (MTX) es un tratamiento no invasivo estándar con tasas de éxito cercanas al 90% en casos bien seleccionados, predecir qué pacientes responderán con éxito frente a aquellos que requerirán intervención quirúrgica sigue siendo un desafío clínico. Las guías actuales se basan en criterios establecidos, pero la heterogeneidad en las presentaciones de los pacientes suele derivar en fracasos terapéuticos, lo que hace necesarias cirugías secundarias. Existe una necesidad reconocida de herramientas más precisas y basadas en datos para optimizar la selección del tratamiento, reducir las intervenciones quirúrgicas innecesarias y mejorar la atención personalizada. Aunque la Inteligencia Artificial (IA) ha mostrado resultados prometedores en diversos campos médicos, su aplicación específica para predecir el éxito del MTX en el EE aún se encuentra en una fase incipiente, con modelos existentes que suelen estar limitados en alcance o diversidad algorítmica.

Metodología
Este estudio empleó un diseño de cohorte anidada retrospectiva para desarrollar y validar una herramienta de soporte de decisiones impulsada por IA denominada PROMETHEUS (Prediction of Methotrexate for Ectopic Pregnancy Treatment Success).

• Fuente de Datos y Cohorte: El estudio analizó 1,003 historias clínicas electrónicas del Hospital de Educación e Investigación Tepecik (2013–2023). Tras aplicar los criterios de exclusión (datos faltantes, embarazo heterotópico, EE roto, pacientes inestables y casos de manejo expectante), se utilizó una cohorte final de 602 casos confirmados de EE.
• Partición de Datos: El conjunto de datos se dividió aleatoriamente en un grupo de entrenamiento (80%, n=482) y un grupo de validación (20%, n=120).
• Ingeniería de Características: Inicialmente, se registraron 24 parámetros clínicos, que cubrían antecedentes del paciente, examen físico, hallazgos ecográficos y valores de laboratorio al ingreso. Para asegurar la aplicabilidad del modelo en la toma de decisiones en tiempo real, se excluyeron los parámetros registrados después de la decisión de tratamiento (por ejemplo, beta-hCG del día 4/7).
• Selección de Características: Mediante un análisis multivariado, se excluyeron dos parámetros (antecedentes de embarazo ectópico previo y sangrado vaginal) del modelo final debido a un comportamiento inconsistente y ruido potencial, dejando 22 parámetros para el modelo predictivo.
• Desarrollo de Algoritmos: El estudio evaluó 15 algoritmos de IA diferentes, incluyendo Bagging, J48, Random Forest, Regresión Logística y Redes Neuronales (MLP). El objetivo era clasificar a los pacientes en dos resultados binarios: éxito de la terapia con MTX frente a la necesidad de intervención quirúrgica.
• Métricas de Evaluación: El rendimiento del modelo se evaluó mediante precisión (accuracy), sensibilidad, especificidad, Valor Predictivo Positivo (VPP), Valor Predictivo Negativo (VPN) y el Área Bajo la Curva (AUC).

Contribuciones Clave

1. Desarrollo de PROMETHEUS: La contribución principal es la creación de una herramienta de soporte de decisiones, compatible con dispositivos móviles y de escritorio, diseñada para predecir el éxito del tratamiento con MTX basándose en datos clínicos basales.
2. Comparación Algorítmica Exhaustiva: A diferencia de muchos estudios que prueban un número limitado de modelos, esta investigación evaluó sistemáticamente 15 algoritmos de IA distintos para identificar la arquitectura óptima para este problema clínico específico.
3. Identificación del Algoritmo Bagging: El estudio determinó que el algoritmo Bagging proporcionó el equilibrio óptimo de métricas de rendimiento, superando a otros modelos como J48, Decision Table, Random Forest y Jrip.
4. Enfoque en la Utilidad Clínica: La herramienta está diseñada explícitamente para complementar, no para reemplazar, el juicio clínico, ofreciendo una puntuación de probabilidad para asistir a los ginecólogos en la planificación del tratamiento.

Resultos

• Características Clínicas: Se observaron diferencias significativas entre los grupos de tratamiento. Los pacientes que requirieron cirugía (ya sea primaria o tras el fallo del MTX) presentaron masas ectópicas de mayor tamaño, mayores tasas de dolor pélvico, defensa muscular, dolor a la descompresión y líquido libre en la ecografía. El análisis de laboratorio reveló que los grupos quirúrgicos tenían niveles significativamente menores de hemoglobina y linfocitos, y recuentos más altos de glóbulos blancos y neutrófilos en comparación con aquellos tratados con éxito mediante MTX.
• Rendimiento del Modelo: Los cinco mejores algoritmos demostraron una alta precisión con asociaciones estadísticamente significativas (p < 0.001) entre los resultados predichos y los reales.
  • Algoritmo Bagging: Alcanzó la mayor precisión general del 93.86%. Demostró una sensibilidad del 92.7%, una especificidad del 94.8% y un AUC de 93.8.
  • Comparación: El algoritmo J48 le siguió de cerca con un 93.84% de precisión. Los modelos estadísticos tradicionales, como la Regresión Logística, alcanzaron una precisión menor (aprox. 85%) en este conjunto de datos específico en comparación con los métodos de ensamble.
• Validación: El modelo fue validado en la cohorte reservada del 20%, confirmando su robustez y poder discriminatorio.

Significancia y Reivindicaciones
El artículo posiciona a PROMETHEUS como un paso innovador hacia la integración de la IA en el manejo de las complicaciones del embarazo temprano. Los autores sostienen que la herramienta ofrece un método de alta precisión para predecir el éxito del MTX, reduciendo potencialmente la morbilidad relacionada con el tratamiento y optimizando los flujos de trabajo clínicos al minimizar las cirugías innecesarias.

El estudio enfatiza que PROMETHEUS es uno de los primeros sistemas basados en IA diseñados específicamente para predecir el éxito del tratamiento en lugar de solo el diagnóstico. Al utilizar una amplia gama de algoritmos y centrarse en un único clasificador robusto (Bagging), los autores argumentan que la herramienta alcanza un nivel de fiabilidad adecuado para el soporte clínico. Los autores señalan modestamente que, si bien la validación interna es robusta, los hallazgos están actualmente limitados a una sola institución. Afirman que la herramienta aún no se ha implementado en la práctica rutinaria, sino que sirve como base para estudios de validación prospectiva e investigaciones multiinstitucionales futuras para expandir su aplicabilidad clínica. El objetivo final es proporcionar una capa suplementaria de evidencia basada en datos para apoyar a los clínicos, particularmente en entornos donde el acceso a especialistas sénior puede ser limitado.