Cómo la IA podría ayudar a los médicos a reducir la mortalidad materna

Los Estados Unidos tienen la tasa de mortalidad materna más alta de todos los países de ingresos altos. En comparación con las mujeres de Canadá y Francia, las mujeres en los Estados Unidos son dos veces igual de probabilidades de morir por complicaciones en el parto. Esta crisis es especialmente pronunciada enétnico y racial poblaciones minoritarias: las mujeres negras y nativas americanas en los Estados Unidos tienen muchas más probabilidades de perecer por complicaciones relacionadas con el embarazo que sus homólogos blancos y son más probable sufrir una morbilidad materna grave debido a una hemorragia posparto, trastornos hipertensivos y sepsis. Aún no se conoce el impacto de la pandemia de la COVID-19 en estos grupos, pero dada la forma en que ha exacerbado las desigualdades raciales a nivel nacional y mundial, es se esperaba que hubiera empeorado la situación.

Sin embargo, los datos de los Centros para el Control y la Prevención de Enfermedades (CDC) de los Estados Unidos sugieren que aproximadamente60% de las muertes maternas se pueden prevenir. Una estrategia prometedora para identificar a las madres con alto riesgo y reducir las muertes y las complicaciones del parto incluye:

1. Utilizar los historiales médicos electrónicos y la inteligencia artificial (IA) para predecir qué mujeres embarazadas corren un alto riesgo de sufrir complicaciones al dar a luz
2. Emplear la tecnología digital para monitorear mejor a las pacientes durante el embarazo y mejorar su acceso a cuidados de rutina y de alta agudeza (es decir, cuidados más especializados y más frecuentes) durante el embarazo.
3. Tras el directrices del Colegio Estadounidense de Obstetras y Ginecólogos y refiriéndolos a los hospitales que ofrecen niveles más altos de atención materna. Las pacientes obstétricas de alto riesgo que dan a luz a sus bebés en hospitales de baja agudeza tienen un Un 50% más de riesgo para desarrollar una morbilidad materna grave en comparación con dar a luz en hospitales de mayor agudeza con recursos y experiencia clínica más sólidos.

Esta estrategia no solo lo haría mejorar los resultados, también reduciría significativamente los costes médicos. El coste médico de la atención de una morbilidad materna grave es tres veces más que las entregas sin complicaciones, lo que, según varias estimaciones, aumenta el gasto anual en atención médica de 825 millones de dólares a varios miles de millones de dólares anualmente. Para convertir esta estrategia en una realidad nacional más pronto que tarde será necesario que los centros médicos y sistemas de salud académicos, las empresas de tecnología y las instituciones estatales y federales trabajen en conjunto.

Cómo pueden ayudar el Big Data y la IA

En los últimos ocho años, varios estudios han demostrado que la IA, junto con la información de los historiales médicos electrónicos, pueden utilizarse para ayudar a prevenir la morbilidad y la mortalidad maternas. En un estudio publicado en 2013, médicos científicos y expertos de los CDC utilizaron grandes bases de datos para desarrollar un herramienta de selección — una lista médica de comorbilidades médicas, que podría predecir las complicaciones del embarazo. Y dos estudios publicados este año: uno de investigadores de Kaiser Permanente y de la Universidad de California en Berkeley y el otro realizado por investigadores del Hospital General de Massachusetts descubrió que los algoritmos de aprendizaje automático que utilizaban datos de las historias clínicas electrónicas podían predecir las complicaciones obstétricas.

En diciembre de 2019, incluso antes de que se publicaran los dos últimos estudios, la Facultad de Medicina de la Universidad de Stanford lanzó una iniciativa piloto en el Hospital Infantil Lucile Packard de Palo Alto (California) para probar el uso de un sistema de este tipo. Así es como funciona: cuando a las pacientes embarazadas hospitalizadas se les toman los signos vitales (por ejemplo, la presión arterial), el dispositivo utilizado para la prueba (por ejemplo, un manguito de presión arterial) introduce automáticamente los datos en la historia clínica electrónica de la paciente. A continuación, la tecnología integrada en el sistema de registro electrónico escanea los datos de los signos vitales de todos los registros de las mujeres embarazadas, identifica a las mujeres en riesgo de enfermarse y alerta al personal que las atenda*. Por ejemplo, esta tecnología alerta a los médicos y enfermeros de las pacientes obstétricas con riesgo de hemorragia para que reciban la atención adecuada en el momento oportuno. (La mayoría de las muertes maternas se deben a un retraso en la atención.)

El propósito del proyecto piloto de la Facultad de Medicina de la Universidad de Stanford era demostrar que la tecnología podía utilizarse de esta manera, y eso demostró. No medimos su impacto en los resultados y los costes. Solo otro hospital estadounidense que conozcamos, el Hospital Universitario de la Universidad de Michigan en Ann Arbor, ha probado un sistema de este tipo. Es estudio inicial acaba de poner a prueba la viabilidad del sistema, pero un estudio de seguimiento realizado demostró que el sistema era mejor que el de los humanos a la hora de identificar a las pacientes obstétricas con riesgo de hemorragia.

La tecnología puede hacer que el acceso sea más equitativo

Una infraestructura tecnológica sólida que permita la monitorización remota y las consultas médicas virtuales puede permitir a las personas que viven lejos de un centro médico importante acceder a la atención médica de rutina y de alta intensidad, tanto antes como después del nacimiento. (Una gran proporción de la mortalidad materna ocurre fuera del parto y el entorno hospitalario.) Estudios demuestre que con la ayuda de los dispositivos de monitorización digital, es más probable que los pacientes modifiquen su comportamiento y sigan los planes de tratamiento.

Uno de esos dispositivos es el Apple Watch, que puede utilizar una aplicación de electrocardiograma integrada para evaluar la salud cardiovascular. (La enfermedad cardiovascular es la principal causa de muerte relacionada con el embarazo en los Estados Unidos.) Un Apple Watch y un iPhone conectados a un tensiómetro de terceros validado médicamente también se puede utilizar para vigilar a las mujeres con preeclampsia, una de las principales causas de mortalidad materna.

Sin embargo, hay que hacer mucho más para garantizar que las mujeres de todos los estratos socioeconómicos tengan igual acceso a esas tecnologías. De hecho, a principios de 2021, Directores ejecutivos de grandes empresas estadounidenses pidió al presidente Biden que ayudara a abordar las crecientes disparidades tecnológicas entre las poblaciones de bajos ingresos, en su mayoría negras y latinas, mediante la adopción de varias medidas, como dar a toda la población estadounidense acceso de banda ancha a Internet, crear una ley federal uniforme de privacidad favorable a las empresas, fortalecer la ciberseguridad y asumir un papel de liderazgo en la creación de acuerdos comerciales digitales y el establecimiento de normas mundiales de política de datos y tecnología.

Las empresas de tecnología pueden hacer mucho más para ayudar a reducir la brecha digital y las disparidades existentes en la obstetricia. Al asociarse con los gobiernos federal y estatal, los centros médicos universitarios, los grandes sistemas de salud y los principales médicos y científicos, pueden ayudar a desarrollar y financiar el tipo de tecnologías de inteligencia artificial y vigilancia que hemos discutido y garantizar que los hospitales y sistemas de salud más pequeños que atienden a las comunidades más pobres (y no solo los más grandes y ricos que atienden a las comunidades más prósperas) tengan acceso a estas tecnologías. Juntos, estos actores pueden crear una infraestructura y procesos que reduzcan en gran medida la tasa de mortalidad materna de las mujeres estadounidenses, independientemente de su entorno socioeconómico, poniendo fin a la crisis de una vez por todas.

*Nota del editor (8 de octubre de 21): Esta frase se ha actualizado para eliminar una referencia incorrecta a la IA.