Palabras clave
Inteligencia Artificial
Mortalidad materna
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Identificar enfoques efectivos y evaluar la efectividad de la Inteligencia Artificial (IA) para predecir la hemorragia posparto (HPP). Métodos: Se trata de una revisión integradora, realizada en las bases de datos PubMed, Scopus, Web of Science e IEEE, utilizando los siguientes descriptores: “postpartum hemorrhage”, “complications in pregnancy”, “artificial intelligence”, “machine learning” and “deep learning”. Se incluyeron estudios publicados entre 2018 y 2024 que incluyeron a la población general con una definición clara del diagnóstico de HPP. Resultados: La muestra final estuvo compuesta por 6 artículos, con mayor concentración de publicaciones en 2022. La mayoría de los estudios se realizaron en EE. UU. y los diseños de investigación predominantes fueron los estudios de cohortes. Se encontró que los modelos de IA mostraron alta precisión y sensibilidad, destacándose en la integración de múltiples factores predictivos de HPP, como peso materno pregestacional, edad gestacional, hipertensión gestacional, características de la contracción uterina. Consideraciones finales: esta revisión destaca la relevancia de los modelos de IA en la predicción de la HPP, lo que indica su potencial para la implementación clínica. Aunque prometedores, estos modelos requieren estudios adicionales para mejorarlos y validarlos en diferentes contextos.
Referencias
AKAZAWA M, et al. Machine learning approach for the prediction of postpartum hemorrhage in vaginal birth. Sci Rep, 2021; 11(1): 22620.
BERTINI A, et al. Using Machine Learning to Predict Complications in Pregnancy: A Systematic Review. Front. Bioeng. Biotechnol. 2022; 9: 780389.
BEYENE BN, et al. Factors associated with postpartum hemorrhage in selected Southern Oromia hospitals, Ethiopia, 2021: an unmatched case-control study. Front. Glob. Womens Health. 2024; 5.
BRASIL. MINISTÉRIO DA SAÚDE. Banco de Dados do Sistema Único de Saúde DATASUS. Informações de Saúde. Sistema de Informações sobre Mortalidade: óbito de mulheres em idade fértil. Brasília: Ministério da Saúde, 2022.
BRASIL. MINISTÉRIO DA SAÚDE. Lei no 9.610, de 19 de fevereiro de 1998, que altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Diário Oficial da União. Brasília: Ministério da Saúde, 1998.
CHANDRAHARAN E, et al. Diagnosis and management of postpartum hemorrhage. BMJ. 2017; 358: 3875.
FEDUNIW S, et al. Epidemiology, prevention and management of early postpartum hemorrhage: a systematic review. Ginekol Pol. 2020; 91(1): 38-44.
HAMM RF, et al. Implementation of quantification of blood loss does not improve the prediction of hemoglobin drop in deliveries with average blood loss. Am J Perinatol, 2018; 35(2): 134-139.
HOLCROFT S, et al. Predictive Modelling of Postpartum Haemorrhage Using Early Risk Factors: A Comparative Analysis of Statistical and Machine Learning Models. Int. J. Environ. Res. Public Health, 2024; 21(5): 600.
LIU J, et al. Machine learning-based prediction of postpartum hemorrhage after vaginal delivery: combining bleeding high risk factors and uterine contraction curve. Arch Gynecol Obstet, 2022; 306(4): 1015-1025.
MARTINS RIL, et al. Postpartum hemorrhage in electronic health records: risk factors at admission and in-hospital occurrence. Rev. bras. ginecol. obstet. 2024; 46.
MCHUGH ML. Interrater reliability: the kappa statistic. Biochemia Medica, 2012; 22(3): 276-282.
NEARY C, et al. Predicting risk of postpartum haemorrhage: a systematic review. BJOG. 2021; 128: 46–53.
NYFLØT LT, et al. Risk factors for severe postpartum hemorrhage: a case-control study. BMC Pregnancy Childbirth, 2017; 17(1): 17.
OSANAN GC, et al. Strategy for zero maternal deaths by hemorrhage in Brazil: a multidisciplinary initiative to combat maternal morbimortality. RBGO. 2018; 40(3): 103-5.
RANJBAR A, et al. Predicting risk of postpartum hemorrhage using machine learning approach: A systematic review. Gynecology and Obstetrics Clinical Medicine. 2023; 3(3): 170-174.
SAVVIDOU M. Postpartum haemorrhage; prevention and perception. BJOG: An International Journal of Obstetrics & Gynaecology. 2023; 130(9): 997-998.
SAY L, et al. Global causes of maternal death: a WHO systematic analysis. Lancet Global Health, 2014; 2(6): 323-333.
SHAH SY, et al. Prediction of postpartum hemorrhage (PPH) using machine learning algorithms in a Kenyan population. Front Glob Womens Health. 2023; 4: 1161157.
SOUZA MT, et al. Integrative review: what is it? How to do it? Einstein (Sao Paulo). 2010; 8(1): 102-6.
STILLWELL S, et al. Evidence– based practice: step by step. Am J Nurs, 2010; 110(5): 41-47.
VENKATESH KK, et al. Machine learning and statistical models to predict postpartum hemorrhage. Obstet Gynecol, 2020; 135(4): 935-944.
WANG M, et al. Quantitative prediction of postpartum hemorrhage in cesarean section on machine learning. BMC Med Inform Decis Mak, 2024; 24(1): 166.
WESTCOTT JM, et al. Prediction of maternal hemorrhage using machine learning: retrospective cohort study. J Med Internet Res, 2022; 24(7): 34108.
XU L, et al. Development and validation of an artificial neural network prediction model for postpartum hemorrhage with placenta previa. Minerva Anestesiol. 2023; 89(11): 977-985.