Análisis radiómico de imágenes de ecografía en el embarazo temprano para predecir la viabilidad al final del primer trimestre

Por qué importan las respuestas tempranas en el embarazo

Para muchas mujeres, las primeras semanas de embarazo están llenas de esperanza y ansiedad. Cuando una ecografía temprana todavía no puede mostrar con claridad si un embarazo continuará o terminará en aborto espontáneo, los médicos lo denominan “embarazo de viabilidad desconocida”. Este periodo de espera —a menudo de una a dos semanas hasta la repetición de la exploración— puede ser agotador emocionalmente. El estudio resumido aquí explora si patrones sutiles ocultos en imágenes ecográficas de rutina, combinados con información clínica simple, pueden ayudar a predecir el desenlace final de forma más temprana y precisa.

Mirando más allá de lo que el ojo puede ver

La valoración ecográfica tradicional se basa en lo que los clínicos pueden medir y ver directamente: el tamaño y la forma del saco gestacional, la presencia de un saco vitelino o de un embrión pequeño, y si se observa actividad cardíaca. Investigaciones previas han usado esas características para construir sistemas de puntuación, pero su precisión es limitada y a menudo depende de datos completos. En este nuevo trabajo, los investigadores preguntaron si los ordenadores podrían captar detalles mucho más finos en las imágenes ecográficas —detalles demasiado sutiles para el ojo humano— mediante un enfoque llamado radiómica. La radiómica convierte las imágenes en miles de características numéricas que describen textura, patrones de brillo y estructura a pequeña escala, captando potencialmente signos tempranos de implantación saludable o fallida.

Construyendo una canalización automatizada de imágenes

El equipo recopiló exploraciones ecográficas de 500 mujeres que acudieron a unidades de embarazo temprano en dos hospitales de Londres entre 2021 y 2023. A todas se les había comunicado que tenían un embarazo de viabilidad desconocida y posteriormente se registró el resultado final —embarazo en curso o aborto espontáneo al final del primer trimestre. Para preparar las imágenes para el análisis, los investigadores entrenaron primero un modelo de aprendizaje profundo para localizar dos regiones clave en cada exploración: el propio saco gestacional y un anillo fino de tejido uterino circundante. Utilizando una arquitectura de red neuronal diseñada para imágenes médicas, el sistema aprendió a delinear estas regiones con alta precisión, igualando de cerca los contornos manuales de expertos. Este paso automatizado de “segmentación” es crucial, porque permite procesar futuras exploraciones sin requerir tiempo adicional de los especialistas clínicos.

Convirtiendo patrones en predicciones

Una vez identificadas las regiones, el software radiómico extrajo más de cuatro mil características cuantitativas de las imágenes ecográficas. Al mismo tiempo, el equipo recogió información clínica sencilla ya registrada en la atención rutinaria —como la edad de la mujer, las semanas de gestación según la última regla y la cantidad de sangrado y dolor que había reportado. Dado que no todas estas variables son igual de útiles, los investigadores probaron una amplia gama de métodos de selección de características y algoritmos de aprendizaje automático para encontrar la mejor combinación. Su modelo final, denominado Puntuación de Predicción para Embarazo de Viabilidad Desconocida (PUVPS, por sus siglas en inglés), se basó en una técnica conocida como XGBoost y en características radiómicas y clínicas cuidadosamente seleccionadas. En las pruebas, el modelo distinguió embarazos en curso de abortos espontáneos con un rendimiento sólido, incluso en datos procedentes de un hospital externo no usado para entrenar el sistema.

Qué está usando realmente el modelo

Algunos de los predictores más influyentes resultaron ser factores clínicos familiares: la edad gestacional estimada según la última regla, la gravedad del sangrado vaginal y la edad materna. Pero varias medidas radiómicas de textura del saco y del tejido circundante también ocuparon posiciones destacadas. Estas describen cuán uniformes o parcheadas son las intensidades de los píxeles y cómo se distribuyen las zonas de mayor brillo, lo que podría relacionarse con la formación temprana de la placenta y los tejidos de sostén. Curiosamente, las características radiómicas también parecían variar con la edad gestacional, lo que sugiere que podrían estar siguiendo cambios biológicos reales en el desarrollo temprano del embarazo más que ruido aleatorio.

Qué podría significar esto para las pacientes

El estudio tiene limitaciones, sobre todo el tamaño de la muestra moderado, que puede hacer que cualquier modelo de aprendizaje automático muestre un optimismo excesivo hasta que se pruebe en grupos mucho más grandes y diversos. Aun así, los resultados sugieren que podría ser posible ofrecer a las mujeres con un embarazo de viabilidad desconocida una estimación de riesgo personalizada basada únicamente en la ecografía que ya se les realiza, sin análisis de sangre o procedimientos adicionales. En el futuro, si se valida en ensayos multicéntricos amplios, una herramienta como PUVPS podría integrarse discretamente en el fondo de la consulta de ecografía, analizando imágenes en tiempo real y ofreciendo una probabilidad de embarazo en curso. En lugar de sustituir las ecografías de seguimiento estándar, podría ayudar a las mujeres y a los clínicos a prepararse emocional y prácticamente durante un periodo de espera muy incierto.

Cita: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Palabras clave: embarazo temprano, riesgo de aborto espontáneo, ecografía, radiómica, aprendizaje automático en medicina