La medicina fetal en la era de la inteligencia artificial
Consideraciones en el diagnóstico prenatal temprano

La evaluación prenatal mediante la ultrasonografía es la ventana a la vida fetal a través de imágenes. El diagnóstico temprano de malformaciones fetales, alteraciones en el
crecimiento fetal y anomalías placentarias permiten el manejo y tratamiento apropiado en cuanto al tiempo y pronóstico fetal. Dentro de los retos del ultrasonido se incluye la dependencia del operador y la curva de aprendizaje que este conlleva, por ello, el acceso a personal calificado y equipo de alta resolución es limitado en escenarios de bajos recursos.

‍
La inteligencia artificial es la habilidad de los programas de computadora para realizar procesos asociados a la inteligencia humana, como el razonamiento, aprendizaje,
adaptación, entendimiento sensorial e interacción. El aprendizaje automático es un conjunto de herramientas computacionales que entrenan modelos en patrones descriptivos obtenidos a través de reglas de inferencia humana. Una de las principales limitantes del aprendizaje automático es que este se basa en perspectivas estadísticas y por ende puede requerir muchos recursos, en el caso del diagnóstico prenatal, requerir de grandes volúmenes de imágenes para entrenar a un modelo. El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales convolucionales, las cuales a su vez emplean principios algebraicos lineales para un abordaje a escala en la clasificación de las imágenes y reconocimiento de objetos, así como contar con la habilidad para un nivel de rendimiento elevado con muestras limitadas de entrenamiento.

‍
El desarrollo de la inteligencia artificial en el ultrasonido prenatal apenas va comenzando, el feto presenta varios retos también: movimiento, su anatomía cambiante, el cuerpo materno, el requerimiento de planos específicos para diagnóstico, así como el ruido moteado y otros artefactos que pudiesen afectar el uso de la inteligencia artificial.
‍

El único meta- análisis publicado en 2023 referente al alcance de la inteligencia artificial en el diagnóstico prenatal engloba cerca de 800 estudios publicados sobre el tema,
abarcando subtemas como: la segmentación de la anatomía fetal para su estudio en primer trimestre, la automatización de la medición de la translucencia nucal, el estudio del corazón fetal en edad gestacional temprana, la vascularización placentaria mediante tecnologías avanzadas como determinante de inserciones anómalas y la obtención de planos sagitales y coronales del cerebro fetal a partir de un plano axial, por sintetizar algunos. Con esto, queda claro que la inteligencia artificial tiene el potencial no
únicamente de automatizar tareas ultrasonográficas que consumen tiempo a través de la detección automática y medición de la biometría fetal sino también la detección de
anomalías congénitas.

‍
Los defectos de tubo neural son un tema mayor de salud pública derivado del cierre incompleto del tubo neural durante el desarrollo embrionario temprano. Su prevalencia
varía significativamente por región, presentándose en México en 5 de cada 10,000 recién nacidos. La aplicación de la inteligencia artificial en esta malformación fetal va
encaminada a realizar el diagnóstico de manera oportuna (temprana) y poder brindar un tratamiento (cirugía correctiva intrauterina), esto empleando algoritmos mediante modelos de aprendizaje automático de analíticas predictivas, así como el apoyo en la toma de decisiones con recomendaciones en la vida real basado en guías y normas actuales. El empleo del aprendizaje automático en conjunto con el avance en las tecnologías de imagen ha prometido la detección y clasificación de estos defectos desde la vida embrionaria.

Técnicas como máquina de vectores de soporte y eliminación de características recursivas se emplean de forma efectiva para analizar datos genéticos y demográficos, mejorando el entendimiento y la predicción de defectos del tubo neural como es la espina bífida, sin duda alguna en este tipo de defectos, la inteligencia artificial se dirige hacia la identificación de poblaciones de riesgo de manera que se puedan prevenir.

‍
Por otro lado, el diagnóstico prenatal de las cardiopatías congénitas mejora de forma significativa la morbilidad y mortalidad neonatal, muchos de los estudios mencionados
anteriormente se enfocan en estos defectos ya que su tasa de detección en vida prenatal va desde un 14% hasta un 87%, siendo esta discrepancia dependiendo de la ubicación geográfica. El uso de la inteligencia artificial en este campo va en conjunto con expertos humanos, que mediante el uso de métodos de aprendizaje profundo se visualicen y reconozcan las estructuras del corazón fetal en clips de video en 2D y posteriormente se calcule un puntaje de anormalidad mediante la medición de la desviación de la normalidad. Por otro lado, se han desarrollado redes neuronales de entrenamiento para la detección automática de las vistas cardiacas y distinguir entre imágenes cardiacas normales y anormales, logrando la exactitud en un 96%, esto con la finalidad de acortar la curva de aprendizaje.

‍
Hasta la fecha, son pocos los estudios prospectivos publicados que usen la inteligencia artificial en el diagnóstico prenatal, la mayoría siguen siendo retrospectivos, de tal manera que aún se desconocen las técnicas para el uso óptimo de esta. Hoy en día las herramientas en los equipos de ultrasonido incluyen aplicaciones inteligentes,
generalmente para obtener medidas basadas en un plano estándar de una imagen obtenida por el operador. La inteligencia artificial sostiene el potencial como herramienta
de mejorar la eficiencia del ultrasonido, disminuir la variabilidad inter observador, mejorar la detección de las malformaciones congénitas y acortar la curva de aprendizaje, aún sin probar que puede contribuir a la mejora de la salud materna y fetal tomando en cuenta que nos falta mucho por descubrir de la vida intrauterina.

Referencias
1. Artificial intelligence technologies. United Kingdom Engineering and Physical Sciences Research Council. Accessed October 3, 2025.
https://epsrc.ukri.org/research/ourportfolio/researchareas/ait/

‍
2. He F, Wang Y, Xiu Y, Zhang Y, Chen L. Artificial Intelligence in Prenatal Ultrasound Diagnosis. Front Med (Lausanne). 2021 Dec 16;8:729978. doi: 10.3389/fmed.2021.729978. PMID: 34977053; PMCID: PMC8716504.

‍
3. Sinclair M, Baumgartner CF, Matthew J, Bai W, Martinez JC, Li Y, Smith S, Knight CL, Kainz B, Hajnal J, King AP, Rueckert D. Human-level Performance On
Automatic Head Biometrics In Fetal Ultrasound Using Fully Convolutional Neural Networks. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:714-717. doi:
10.1109/EMBC.2018.8512278. PMID: 30440496.

4. Horgan R, Nehme L, Abuhamad A. Artificial intelligence in obstetric ultrasound: A scoping review. Prenat Diagn. 2023 Aug;43(9):1176-1219. doi: 10.1002/pd.6411.
Epub 2023 Jul 28. PMID: 37503802.

‍
5. Yeganegi M, Danaei M, Azizi S, Jayervand F, Bahrami R, Dastgheib SA, Rashnavadi H, Masoudi A, Shiri A, Aghili K, Noorishadkam M, Neamatzadeh H.
Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects. Front Pediatr. 2025 Apr 17;13:1514447. doi:
10.3389/fped.2025.1514447. PMID: 40313675; PMCID: PMC12043698.

‍
6. Sridar P, Kumar A, Quinton A, Nanan R, Kim J, Krishnakumar R. Decision Fusion- Based Fetal Ultrasound Image Plane Classification Using Convolutional Neural
Networks. Ultrasound Med Biol. 2019 May;45(5):1259-1273. doi: 10.1016/j.ultrasmedbio.2018.11.016. Epub 2019 Feb 27. PMID: 30826153.

‍
7. Bakker MK, Bergman JEH, Krikov S, Amar E, Cocchi G, Cragan J, de Walle HEK, Gatt M, Groisman B, Liu S, Nembhard WN, Pierini A, Rissmann A,
Chidambarathanu S, Sipek A Jr, Szabova E, Tagliabue G, Tucker D, Mastroiacovo P, Botto LD. Prenatal diagnosis and prevalence of critical congenital heart defects: an international retrospective cohort study. BMJ Open. 2019 Jul 2;9(7):e028139. doi: 10.1136/bmjopen-2018-028139. PMID: 31270117; PMCID: PMC6609145.