Un enfoque novedoso para la predicción temprana de la preeclampsia que aborda la incertidumbre predictiva por datos faltantes en conjuntos clínicos

Por qué importa para madres y bebés

La preeclampsia es una complicación peligrosa del embarazo que puede poner en riesgo de forma súbita la vida de la madre y del bebé. Los médicos saben que medidas sencillas, como administrar ácido acetilsalicílico en baja dosis muy temprano en el embarazo, pueden reducir considerablemente el riesgo en mujeres que probablemente desarrollen la afección. El desafío es identificar a tiempo esos embarazos de alto riesgo, y hacerlo de forma fiable cuando los registros médicos del mundo real suelen estar incompletos. Este estudio presenta una nueva manera de predecir la preeclampsia de forma temprana y, al mismo tiempo, informar a los médicos sobre cuánto deben confiar en cada predicción.

Entendiendo una amenaza silenciosa en el embarazo

La preeclampsia afecta entre el 2 y el 8 % de los embarazos en todo el mundo. Suele aparecer más tarde en la gestación, pero sus raíces se establecen mucho antes. Las madres con preeclampsia pueden sufrir daños en los riñones, el hígado, el cerebro y otros órganos, y en los peores casos tanto la madre como el bebé pueden morir. Los bebés pueden dejar de crecer adecuadamente o requerir un parto muy prematuro. Como iniciar ácido acetilsalicílico en baja dosis antes de las 16 semanas de gestación puede reducir el riesgo de preeclampsia temprana en más de la mitad, poder identificar a mujeres de alto riesgo en el primer trimestre podría transformar la atención. Sin embargo, fiarse solo de la experiencia clínica ha resultado demasiado incierto para decisiones con tanto en juego.

Convertir registros médicos desordenados en alertas útiles

En la última década, muchos equipos de investigación han utilizado métodos de aprendizaje automático para predecir la preeclampsia a partir de información rutinaria de consulta y de laboratorio. Estos modelos normalmente alcanzan una precisión moderada, pero comparten un problema importante: asumen que cada predicción es igualmente confiable, incluso cuando faltan resultados de pruebas clave en el historial de una paciente. En la atención antenatal real, a menudo se omiten análisis de sangre y visitas de seguimiento, especialmente en entornos ambulatorios concurridos. Esto hace que las grandes bases de datos hospitalarias estén llenas de huecos. Estudios previos en su mayoría ignoraron cómo esos vacíos afectan la confianza en cada predicción, lo que pudo haber ocultado el verdadero potencial de estos modelos.

Añadir un "indicador de honestidad" a las puntuaciones de riesgo

Los autores analizaron registros de más de 31.000 embarazos únicos en tres hospitales de Corea, usando información recolectada antes de las 16 semanas de gestación. Construyeron un modelo de predicción que devuelve una puntuación de riesgo de preeclampsia entre 0 y 1. Luego añadieron un segundo número: una puntuación de incertidumbre que refleja cuánto puede estar socavando la predicción la información faltante. Para ello examinaron con qué fuerza cada variable clínica o de laboratorio suele empujar el riesgo hacia arriba o hacia abajo en mujeres cuyos datos están completos. Variables cuyos valores influyen fuertemente en el modelo —como la presión arterial media, un largo intervalo desde el último embarazo o ser madre primeriza, ciertas proteínas relacionadas con el embarazo y el colesterol HDL— se consideraron más importantes. Si una de esas variables cruciales faltaba en el registro de una mujer, su puntuación de incertidumbre aumentaba más que si faltara un elemento menos relevante.

Qué sucede si solo se confía en señales más claras

Con esta puntuación de incertidumbre, el equipo preguntó cómo funcionaba el modelo al centrarse únicamente en embarazos con datos relativamente completos e informativos. En pruebas internas, cuando ignoraron la incertidumbre y usaron a todas las mujeres, la capacidad del modelo para distinguir quién desarrollaría o no preeclampsia fue buena pero no excepcional. A medida que restringieron gradualmente la evaluación a mujeres con puntuaciones de incertidumbre más bajas —es decir, con menos valores faltantes o menos críticos— la precisión aumentó de forma constante. Con un nivel moderado de incertidumbre, el rendimiento del modelo ya superaba informes previos; con una incertidumbre muy baja, su precisión fue notablemente alta, identificando correctamente casi todos los casos futuros de preeclampsia con pocas falsas alarmas. Un patrón similar apareció cuando el modelo se probó con datos de un hospital independiente, lo que sugiere que el enfoque es robusto incluso entre distintas clínicas y grupos de pacientes.

Pistas para mejores pruebas y atención futura

Como el método rastrea cuánto contribuye cada variable a la incertidumbre, puede orientar qué mediciones merecen más la pena recopilar en el primer embarazo. El análisis mostró que ninguna prueba aislada es suficiente: muchas variables aportan cada una una pieza pequeña pero importante de información. El marco es flexible y podría combinarse con otros modelos de aprendizaje automático más complejos o extenderse a otros problemas poco frecuentes del embarazo. Al mismo tiempo, los autores advierten que su trabajo es exploratorio, basado mayoritariamente en mujeres coreanas con embarazos únicos, y que las estimaciones de mayor precisión proceden de subgrupos pequeños y de baja incertidumbre donde existen muy pocos casos de preeclampsia. Serán necesarios estudios más diversos y una elección cuidadosa de los umbrales de decisión antes de que una herramienta así pueda influir en la atención real.

Qué significa esto para las familias embarazadas

Este estudio todavía no ofrece una prueba lista para la clínica, pero apunta hacia herramientas de predicción más inteligentes y transparentes. En lugar de proporcionar una simple puntuación de riesgo, los sistemas futuros también podrían indicar cuán seguros están, ayudando a los médicos a evitar exceso de confianza cuando faltan piezas importantes del rompecabezas. Al aprender qué mediciones rutinarias importan más y cómo manejar datos imperfectos, este trabajo sienta las bases para una identificación más segura y temprana de embarazos en riesgo de preeclampsia —ofreciendo más tiempo para proteger la salud de la madre y del bebé.

Cita: Kim, J.W., Kim, N., Kim, J.Y. et al. A novel approach to preeclampsia early prediction addressing predictive uncertainty due to missing data in clinical dataset. Sci Rep 16, 8455 (2026). https://doi.org/10.1038/s41598-025-27801-4

Palabras clave: preeclampsia, predicción de riesgo en el embarazo, aprendizaje automático en obstetricia, incertidumbre en datos clínicos, salud materna