¿Inducción al parto o cesárea? El 'big data' ayuda a los obstetras

¿Inducción al parto o cesárea? El 'big data' ayuda a los obstetras

Uno de los retos actuales para los servicios de ginecología y obstetricia es mejorar la capacidad de predicción del éxito de una inducción al parto. Encarar este reto es posible si aplicamos técnicas de aprendizaje automático y big data a los datos en salud.

5c8abe72240000f404a39bbb

Foto: IStock.

Post escrito por Cristina Pruenza

El embarazo es un período crítico en la vida de una mujer y en el momento del nacimiento resulta crucial tener todo bien atado. Pero en ocasiones, esperar a que el parto comience de forma natural puede conllevar ciertos peligros para la salud del bebé o para la de la madre y, en esos casos, es necesario adelantar el parto de forma artificial. Esto se conoce como inducción del parto. Lamentablemente, el éxito de la inducción del parto está condicionado por muchas variables que a día de hoy no tienen aún el valor predictivo deseado para garantizar por completo el éxito del procedimiento.

Es por ello que hasta el momento no se habían desarrollado herramientas específicas basadas en el análisis de datos en las que los obstetras pudieran apoyarse a la hora de tomar la decisión de realizar o no una inducción del trabajo de parto, es decir, de aplicar ciertos fármacos o técnicas para estimular las contracciones uterinas y conseguir provocar un parto vaginal. Estos especialistas médicos se veían obligados a decidir según su propia experiencia en base a las características de la madre y del feto. Pero en caso de ser una decisión no acertada, debían asumir también el riesgo de que el procedimiento desembocara en la necesidad de tener que realizar una cesárea o que diera pie a otras complicaciones indeseadas, pudiendo poner así en riesgo tanto la salud del bebé como la de la madre.

El número de partos inducidos ha aumentado en los últimos años un 14% en todo el mundo, y se ha convertido en uno de los procedimientos más frecuentes en obstetricia. En España, la tasa de partos inducidos en un año varía de unos años a otros del 9,5% al 33,7%. Pero... ¿Y si no funciona la inducción?, ¿y si después de aplicar las diferentes técnicas y medicamentos no conseguimos provocar el parto?, ¿qué pasa entonces? En ese caso debe recurrirse a realizar un parto instrumental, bien con ventosas, fórceps o espátulas, o practicar una cesárea, procedimiento en el que se estima desembocan alrededor del 50% de las inducciones.

A su vez, este procedimiento, la cesárea, tiene sus riesgos, pero se ha demostrado que presenta menos complicaciones cuando se realiza de forma programada que cuando se realiza con carácter urgente durante el parto. Por ello, conviene conocer con antelación cuáles son las inducciones que presentan una mayor probabilidad de acabar en fracaso, para así evitar tanto el procedimiento como el uso innecesario de los recursos asociados (personal, instalaciones y fármacos).

Dicho en otras palabras, uno de los retos actuales para los servicios de ginecología y obstetricia es mejorar la capacidad de predicción del éxito de una inducción; porque conocer a priori las posibilidades de éxito de la inducción y desestimar aquellas con muchas probabilidades de fracasar puede evitar procedimientos innecesarios y mejorar la calidad del proceso y la asistencia hospitalaria. Y encarar este reto es posible si aplicamos técnicas de aprendizaje automático y big data a los datos en salud.

Las técnicas big data en el ámbito médico pueden evitar procedimientos innecesarios, dar un servicio personalizado y de mayor calidad, con menos costes para el sistema sanitario y mejores resultados para los pacientes.

Técnicas big data para mejorar la capacidad predictiva en salud

La idea de aplicar técnicas big data en salud para optimizar el éxito de la inducción al parto y mejorar la capacidad predictiva en obstetricia fue el origen del proyecto INDUCCESS (INDUCtion y sucCESS) por el que se consiguió desarrollar un sistema basado en el análisis de los datos capaz de explotar y modelar una fuente de información clínica desestructurada. La herramienta, que además puede utilizarse para cualquier otra rama de la medicina, ha generado un gran interés por su utilidad como apoyo al experto médico a la hora de tomar decisiones tan relevantes y constituye una clara apuesta por la innovación como motor para mejorar la calidad de la atención sanitaria.

Lo innovador del sistema es que aplica técnicas analíticas de big data sobre un conjunto anonimizado de datos de un dominio real y consigue extraer información de valor de la información clínica informatizada, lo que le permite reflejar con fidelidad el ámbito del problema. De hecho, el especialista médico tiene la posibilidad de extraer y visualizar la información almacenada en la historia clínica electrónica de cada paciente y recibir una recomendación sobre si realizar una inducción, una cesárea o ninguna de las dos. Además, la herramienta ofrece información adicional que justifica la recomendación y explica cómo contribuye cada atributo en la decisión.

Sin duda, la fusión de sinergias entre expertos en big data y profesionales médicos puede descubrir relaciones entre los datos que habían pasado desapercibidas hasta el momento, ampliar el conocimiento y hacer más transparente el modelo. El desarrollo y aplicación de técnicas de aprendizaje automático y big data en el ámbito médico puede resultar tremendamente útil para evitar procedimientos innecesarios, ofrecer un servicio de mayor calidad, más personalizado, con menos costes para el sistema sanitario y mejores resultados para la salud de los pacientes.