Image-only ultrasound AI for dating-independent delivery-date prediction externally validated in four Chilean hospitals

Resumen Técnico: IA de Ultrasonido Basada Únicamente en Imágenes para la Predicción de la Fecha de Parto Independiente de la Datación

Planteamiento del Problema
La estimación precisa de la fecha probable de parto (FPP) es fundamental para la atención obstétrica, ya que rige la asignación de la edad gestacional, la interpretación del crecimiento fetal y las decisiones clínicas críticas respecto a la inducción y la planificación neonatal. Sin embargo, los métodos de datación convencionales —que dependen de la última menstruación (LM), la longitud corona-rabadilla (LCR) del primer trimestre o la biometría tardía— funcionan deficientemente en poblaciones que carecen de un ultrasonido temprano confiable o de un historial menstrual preciso. Esto incluye a poblaciones del sector público y migrantes, quienes a menudo se presentan tardíamente en el embarazo. Además, la convención estándar de 280 días para la duración gestacional es conocida por sobreestimar la duración en muchas poblaciones no europeas, introduciendo un sesgo sistemático. En consecuencia, existe una brecha de equidad persistente donde los pacientes que más necesitan una datación precisa (aquellos sin una datación temprana confiable) reciben las estimaciones menos exactas.

Metodología
Este estudio presenta una validación externa, multicéntrica e independiente de un sistema de inteligencia artificial (IA) desplegado prospectivamente y basado únicamente en imágenes.

• Diseño del estudio: Un análisis de cohorte retrospectivo de un sistema desplegado prospectivamente en cuatro hospitales públicos de Chile (Barros Luco Trudeau, Padre Hurtado, El Pino y Dr. Luis Tisné Brousse). El análisis fue realizado de forma independiente al desarrollador del modelo.
• Datos: La cohorte comprendió 3.788 estudios de ultrasonido de embarazo único realizados en 2.550 embarazos entre marzo de 2021 y noviembre de 2025. La población incluyó una mezcla de alto riesgo con una representación significativa de migrantes (34,4%, notablemente venezolanos y haitianos) y comorbilidades como restricción del crecimiento fetal y diabetes gestacional.
• Sistema de IA: El modelo (Ultrasound AI, Inc.) acepta fotogramas de imágenes de ultrasonido del estándar de cuidado como entrada. Crucialmente, opera sin edad gestacional, mediciones biométricas, datos demográficos o anotaciones del operador. Aprende directamente de los patrones a nivel de píxel en todo el fotograma, entrenado contra la fecha de nacimiento del calendario.
• Comparador: La IA se comparó frente a frente contra la estimación clínica convencional (la fecha probable establecida proyectada a la fecha del escaneo, calculada como 280 días menos la edad gestacional al momento del escaneo).
• Análisis Estadístico: El rendimiento se cuantificó mediante el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y el sesgo. Las comparaciones utilizaron un remuestreo de bootstrap no paramétrico de los embarazos (3.000 remuestreos) para tener en cuenta el agrupamiento (clustering) y la prueba de Wilcoxon para rangos con signo de diferencias pareadas. La calibración de los intervalos de predicción se evaluó comparando la cobertura empírica contra la cobertura nominal.

Contribuciones Clave

1. Independencia de la Datación: El estudio demuestra que un modelo basado únicamente en imágenes puede predecir el tiempo de parto sin ninguna información sobre la edad gestacional o la historia de datación, evitando eficazmente los errores asociados con la historia menstrual incierta o los escaneos de ingreso tardío.
2. Validación Externa: Valida los hallazgos del estudio "PAIR" (originalmente de un único centro en EE. UU.) en un sistema de salud distinto e independiente (Chile) con equipos heterogéneos y una población diversa de alto riesgo.
3. Calibración: A diferencia de iteraciones anteriores, este trabajo valida explícitamente la calibración de la distribución predicha por el modelo, demostrando que la salida puede reportarse de manera confiable como un rango de fecha de parto en lugar de una estimación de punto único.
4. Enfoque de Equidad: El estudio evalúa específicamente el desempeño en el subgrupo de embarazos que carecen de una datación temprana confiable, donde los métodos convencionales son estructuralmente más débiles.

Resultos

• Precisión General: En la totalidad de los 3.788 estudios, la IA predijo la fecha de parto con un Error Absoluto Medio (MAE) de 6,9 días (IC 95% 6,7–7,0).
• Desempeño en Datación Incierta: En el subgrupo de 456 estudios con datación tardía/incierta (sin LCR del primer trimestre), la IA mantuvo un MAE de 6,4 días. En contraste, la fecha probable convencional se deterioró significativamente con un MAE de 13,2 días.
• Comparación Frente a Frente: En el 69,2% de todos los embarazos, la IA proporcionó una estimación más precisa que la fecha probable convencional. Esta ventaja aumentó al 73,2% en el subgrupo de datación incierta.
• Corrección de Sesgo: La estimación convencional exhibió un sesgo sistemático de −10,8 días (el parto ocurrió aproximadamente 11 días antes de lo previsto), lo que refleja la duración gestacional más corta de la población en comparación con la convención de 280 días. La IA mostró un sesgo insignificante de −1,5 días. Los análisis de sensibilidad revelaron que una gran parte de la superioridad de la IA sobre el método convencional proviene de la corrección de este sesgo específico de la población, con una ventaja residual menor en la dispersión.
• Parto Pretérmino: Para los partos pretérmino (<37 semanas), el método convencional falló completamente (MAE 37,5 días, ya que asume 40 semanas), mientras que la IA mantuvo un MAE de 10,8 días y fue más precisa en el 99,6% de los casos.
• Calibración: Los intervalos de predicción de alta cobertura del modelo estaban bien calibrados. El intervalo aproximado del 94% (cuantiles 0,03–0,97) cubrió el 96,5% de las fechas de parto reales.
• Robustez: El desempeño se mantuvo constante en los cuatro hospitales, en diversas edades gestacionales al momento del escaneo y en los principales subgrupos de comorbilidad, incluyendo la obesidad.

Significancia y Reivindicaciones
El artículo sostiene que esta estimación calibrada e independiente de la datación aborda una brecha crítica de equidad en la atención obstétrica. Al depender únicamente de patrones de imagen, la IA proporciona predicciones precisas para pacientes que carecen de una datación temprana confiable, precisamente el grupo para el cual los métodos convencionales fallan. Los autores argumentan que esta capacidad no es meramente una mejora técnica, sino un avance relevante para la clínica y la equidad, ya que ofrece una alternativa confiable cuando la "fecha probable" estándar no está disponible o no es digna de confianza.

El estudio posiciona a la IA como un posible complemento de "segunda lectura" para la datación establecida, particularmente útil para pacientes con presentaciones tardías o migrantes. Los autores enfatizan que el valor de la IA radica en su capacidad para entregar predicciones precisas y calibradas para pacientes sin una fecha probable confiable, en lugar de simplemente superar a una fecha probable óptimamente recalibrada (la cual requiere datos poblacionales retrospectivos no disponibles en tiempo real). El trabajo respalda el desarrollo continuo del ultrasonido por IA como una herramienta práctica para la estimación de la fecha de parto, acercando la tecnología a la adopción clínica mediante una validación rigurosa e independiente.