APLICACIÓN DEL APRENDIZAJE AUTOMÁTICO EN EL DIAGNÓSTICO DEL EMBARAZO ECTÓPICO: UNA REVISIÓN BIBLIOGRÁFICA
DOI:
https://doi.org/10.47820/recima21.v6i7.6533Palabras clave:
Embarazo ectópico, Inteligencia artificial, Aprendizaje automático, Diagnóstico clínico, UltrasonografíaResumen
Este artículo presenta una revisión bibliográfica sobre el uso del aprendizaje automático (ML) en el diagnóstico del embarazo ectópico (EP). Se analizaron estudios publicados entre 2020 y 2024, utilizando criterios rigurosos de inclusión y exclusión. Los resultados muestran que técnicas avanzadas, como redes neuronales convolucionales, algoritmos bayesianos y máquinas de vectores de soporte, presentan alta precisión diagnóstica, especialmente al integrar múltiples fuentes de datos, como información clínica, de laboratorio y ultrasonográfica. Estos modelos demostraron potencial para reducir errores clínicos y mejorar la eficiencia diagnóstica, superando limitaciones de los métodos tradicionales. Sin embargo, desafíos como la falta de validación clínica robusta, la escasez de datos representativos y la complejidad de los modelos, que a menudo operan como "cajas negras", aún impiden su implementación práctica. Esta revisión contribuye a una comprensión más clara del estado del arte, destacando los enfoques más efectivos, los principales desafíos y las oportunidades para futuras investigaciones. La adopción responsable de estas tecnologías tiene el potencial de transformar el diagnóstico de EP, mejorando la seguridad y los resultados clínicos de las pacientes.
Descargas
Referencias
BOWMAN, C. E. There is nothing medically magical about machine learning. Journal of the Royal Society of Medicine, v. 115, n. 9, p. 332, 2022. DOI: https://doi.org/10.1177/01410768221123239
COUCKUYT, A.; SEURINCK, R.; EMMANEEL, A. et al. Challenges in translational machine learning. Human Genetics, v. 141, p. 1451-1466, 2022. DOI: https://doi.org/10.1007/s00439-022-02439-8
DALZOCHIO, J. MILPDM: an architecture for predictive maintenance of assets in the military domain. 2024. Tese (Doutorado em Ciência da Computação) -- Universidade do Vale do Rio dos Sinos (UNISINOS), 2024.
ELLIS, R. J.; SANDER, R. M.; LIMON, A. Twelve key challenges in medical machine learning and solutions. Intelligence-Based Medicine, v. 6, p. 100068, 2022. DOI: https://doi.org/10.1016/j.ibmed.2022.100068
FISTOURIS, J.; BERGH, C.; STRANDELL, A. Pregnancy of unknown location: external validation of the hcg-based m6np and m4 prediction models in an emergency gynaecology unit. BMJ Open, v. 12, n. 11, 2022. DOI: https://doi.org/10.1136/bmjopen-2021-058454
GARZON, N. A.; BARBOSA, L. S. O. Aprendizado de Máquina na Medicina: Como Algoritmos de Aprendizado de Máquina Podem Ser Aplicados em Diagnósticos Médicos, Prognósticos e Descoberta de Novos Tratamentos. RECIMA21 - Revista Científica Multidisciplinar, v. 4, n. 12, 2023. DOI: https://doi.org/10.47820/recima21.v4i12.4708
HEINRICHS, B.; EICKHOFF, S. B. Your evidence? Machine learning algorithms for medical diagnosis and prediction. Human Brain Mapping, v. 41, n. 6, p. 1435-1444, 2020. DOI: https://doi.org/10.1002/hbm.24886
KITCHENHAM, B. Procedures for Performing Systematic Reviews. Keele University, UK: Department of Computer Science, 2004. Technical Report TR/SE-0401.
MA, D.; YANG, R.; CHEN, Y. et al. Identification of noninvasive diagnostic biomarkers for ectopic pregnancy using data-independent acquisition (DIA) proteomics: a pilot study. Scientific Reports, v. 12, p. 19992, 2022. DOI: https://doi.org/10.1038/s41598-022-23374-8
MENNICKENT, D.; RODRÍGUEZ, A.; OPAZO, M.; RIEDEL, C.; CASTRO, E.; ERIZ-SALINAS, A.; APPEL-RUBIO, J.; AGUAYO, C.; DAMIANO, A.; GUZMÁN-GUTIÉRREZ, E.; ARAYA, J. Machine learning applied in maternal and fetal health: a narrative review focused on pregnancy diseases and complications. Frontiers in Endocrinology, v. 14, p. 1130139, 2023. DOI: https://doi.org/10.3389/fendo.2023.1130139
MULLANY, K.; MINNECI, M.; MONJAZEB, R.; COIADO, O. C. Overview of ectopic pregnancy diagnosis, management, and innovation. Women's Health, v. 19, p. 17455057231160349, 2023. DOI: https://doi.org/10.1177/17455057231160349
POON, A. I. F.; SUNG, J. J. Y. Opening the black box of AI-Medicine. Journal of Gastroenterology and Hepatology, v. 36, n. 3, p. 581-584, 2021. DOI: https://doi.org/10.1111/jgh.15384
RUEANGKET, P.; RITTILUECHAI, K.; PRAYOTE, A. Predictive analytical model for ectopic pregnancy diagnosis: statistics vs. machine learning. Frontiers in Medicine, v. 9, 2022. DOI: https://doi.org/10.3389/fmed.2022.976829
SAVARIS, R.; MAISSIAT, J.; MOL, B.; BARNHART, K.; LINK, C. Diagnosing ectopic pregnancy using the Bayes theorem, a classic that is good as new: a retrospective cohort study. Human Reproduction, v. 37, Supplement 1, p. deac107.410, 2022. DOI: https://doi.org/10.1093/humrep/deac107.410
SHABAN, M.; MOLLAZADEH, S.; ESLAMI, S. et al. Prediction of chromosomal abnormalities in the screening of the first trimester of pregnancy using machine learning methods: a study protocol. Reproductive Health, v. 21, p. 101, 2024. DOI: https://doi.org/10.1186/s12978-024-01839-5
SHAZLY, S. A.; TRABUCO, E. C.; NGUFOR, C. G.; FAMUYIDE, A. O. Introduction to Machine Learning in Obstetrics and Gynecology. Obstetrics & Gynecology, v. 139, n. 4, p. 669-679, 2022. DOI: https://doi.org/10.1097/AOG.0000000000004706
Descargas
Publicado
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
