Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo / Artificial Intelligence Modeling with Non-Invasive Hemodynamics to Predict Preeclampsia in High-Risk Pregnancy

RESUMEN

RESUMEN Introducción: la preeclampsia (PE) es la principal causa de morbimortalidad materno-fetal en nuestro país. Alteraciones hemodinámicas precoces durante el embarazo podrían predecir la evolución a PE. El machine learning (ML) permite el hallazgo de patrones ocultos que podrían detectar precozmente el desarrollo de PE. Objetivos: desarrollar un árbol de clasificación con variables de hemodinamia no invasiva para predecir precozmente desarrollo de PE. Material y métodos: estudio observacional prospectivo con embarazadas de alto riesgo (n=1155) derivadas del servicio de Obstetricia desde enero 2016 a octubre 2022 para el muestreo de entrenamiento por ML con árbol de clasificación j48. Se seleccionaron 112 embarazadas entre semanas 10 a 16, sin tratamiento farmacológico y que completaron el seguimiento con el término de su embarazo con evento final combinado (PE): preeclampsia, eclampsia y síndrome HELLP. Se evaluaron simultáneamente con cardiografía de impedancia y velocidad de onda del pulso y con monitoreo ambulatorio de presión arterial de 24 hs (MAPA). Resultados: presentaron PE 17 pacientes (15,18%). Se generó un árbol de clasificación predictivo con las siguientes variables: índice de complacencia arterial (ICA), índice cardíaco (IC), índice de trabajo sistólico (ITS), cociente de tiempos eyectivos (CTE), índice de Heather (IH). Se clasificaron correctamente el 93,75%; coeficiente Kappa 0,70, valor predictivo positivo (VPP) 0,94 y negativo (VPN) 0,35. Precisión 0,94, área bajo la curva ROC 0,93. Conclusión: las variables ICA, IC, ITS, CTE e IH predijeron en nuestra muestra el desarrollo de PE con excelente discriminación y precisión, de forma precoz, no invasiva, segura y con bajo costo.

ABSTRACT

ABSTRACT Background: Preeclampsia (PE) is the main cause of maternal-fetal morbidity and mortality in our country. Early hemodynamic changes during pregnancy could predict progression to PE. Machine learning (ML) enables the discovery of hidden patterns that could early detect PE development. Objectives: The aim of this study was to build a classification tree with non-invasive hemodynamic variables for the early prediction of PE occurrence. Results: Seventeen patients (15.18%) presented PE. A predictive classification tree was generated with arterial compliance index (ACI), cardiac index (CI), cardiac work index (CWI), ejective time ratio (ETR), and Heather index (HI). A total of 93.75% patients were correctly classified (Kappa 0.70, positive predictive value 0.94 and negative predictive value 0.35; accuracy 0.94, and area under the ROC curve 0.93). Conclusion: ACI, CI, CWI, ETR and HI variables predicted the early development of PE in our sample with excellent discrimination and accuracy, non-invasively, safely and at low cost.