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
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
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
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 classificationtree with non-invasive hemodynamic variables for the early prediction of PE occurrence.
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.