Resumen
El parto prematuro es uno de los mayores problemas de salud mundial, con una prevalencia superior al 10%, que afecta a más de 15
millones de familias en todo el mundo. Se asocia con una alta mortalidad y morbilidad a largo plazo y una alta carga económica para el
sistema de salud ($ 50000/prematuro). El problema no solo radica en los partos prematuros, sino en la propia amenaza de parto
prematuro (TPL). Las técnicas y herramientas actuales no permiten predecir con precisión el parto prematuro. Esto implica tratamientos
innecesarios con potenciales efectos secundarios, mayor estancia hospitalaria, así como una sobrecarga que dificulta la mejor atención
de los prematuros reales.
La electrohisterografía (EHG) ha demostrado su utilidad para predecir el parto prematuro en mujeres con gestación únicas de controles
rutinarios, pero sin producir un impacto significativo en la práctica clínica debido a diversos factores. Los sistemas de predicción actuales
presentan una capacidad de generalización cuestionable debido a las técnicas utilizadas para mitigar el desbalanceo de datos. Además,
la utilidad de EHG para la predicción del parto prematuro en mujeres con TPL y sometidas a tratamiento tocolítico sigue siendo un
desafío. Asimismo, no existen actualmente herramientas que permitan extraer automáticamente en tiempo real características relevantes
de los registros de EHG. Hay una falta de comprensión de los mecanismos subyacentes que desencadenan el parto. Tampoco no existe
consenso sobre la existencia de actividad del marcapasos uterino y su localización y sobre la evolución de las características del EHG a
lo largo del tercer trimestre. Existe un gran desconocimiento sobre la actividad mioeléctrica uterina en mujeres de gestación múltiple con
mayor prevalencia de partos prematuros.
Este proyecto no solo pretende generar nuevos conocimientos, sino también proporcionar herramientas para predecir en tiempo real el
riesgo del parto prematuro que podría ayudar a los médicos en la toma de decisiones en diferentes escenarios obstétricos. Se
desarrollarán herramientas basadas en inteligencia artificial que extraigan automáticamente características relevantes embebidas en los
registros de EHG, sin necesidad de asistencia de personal técnico y promoviendo así su transferibilidad a la práctica clínica. Se evaluarán
las similitudes y diferencias de la señal EHG entre las mujeres de controles rutinarios y las TPL, entre gestaciones únicas y múltiples, y
partos prematuros versus a término. Asimismo, se analizarán los mecanismos asociados al éxito de las terapias tocolíticas para prevenir
el parto prematuro. Se desarrollarán sistemas robustos y generalizables para predecir el parto prematuro basados en el aprendizaje
automático clásico, aprendizaje profundo y por transferencia, con especial énfasis en el desbalanceo de datos, en mujeres de gestaciones
únicas y múltiples de controles rutinarios y con TPL.
El desarrollo de estos sistemas de predicción podría tener un impacto significativo en la atención de la salud materno-fetal ayudando a los
médicos planificar y gestionar mejor el embarazo ofreciendo un tratamiento personalizado a la paciente. Los resultados de este proyecto
redundarán en una importante reducción de los costes hospitalarios y en una óptima asignación de los recursos sanitarios. Asimismo, las
herramientas desarrolladas en este proyecto tienen un gran potencial de mercado resultando en un nuevo equipo de monitoreo maternofetal
basado en EHG.
