APLICACIÓN DEL APRENDIZAJE AUTOMÁTICO EN EL DIAGNÓSTICO DEL EMBARAZO ECTÓPICO: UNA REVISIÓN BIBLIOGRÁFICA
Resumen
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.
Biografía del autor/a
Universidade do Vale do Rio dos Sinos - UNISINOS / IFMT.
Universidade do Vale do Rio dos Sinos - UNISINOS.
Universidade Federal do Rio Grande do Sul - UFRGS.
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
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.