← Volver a noticias
Inteligencia artificial

Un modelo de aprendizaje profundo para la evaluación automatizada de neonatos en riesgo de dificultad con el arrastre al pecho: un estudio de prueba de concepto basado en video

7 de noviembre de 20262 min de lecturaPor RADAR AI GLOBALFuente: PubMed/NLM – IA clínica
IA y MedicinaMedicina general
Un modelo de aprendizaje profundo para la evaluación automatizada de neonatos en riesgo de dificultad con el arrastre al pecho: un estudio de prueba de concepto basado en video

Resumen ejecutivo

Este estudio investiga un modelo de análisis de video mediante aprendizaje profundo para evaluar de manera automatizada la competencia del arrastre al pecho en neonatos, identificando aquellos en riesgo de presentar dificultades.

Compartir

WhatsAppLinkedInXCorreo

Qué problema aborda

La iniciación oportuna de la lactancia materna es crucial para la salud de los recién nacidos, y el arrastre al pecho, un comportamiento instintivo, es fundamental para este proceso. Sin embargo, la capacidad de los neonatos para completar este arrastre varía considerablemente, y la evaluación actual se basa en observaciones subjetivas, lo que impide una medición objetiva temprana de la competencia en el arrastre y la intervención oportuna para las parejas madre-hijo en riesgo.

Qué hicieron los autores

Los autores desarrollaron y validaron un modelo de análisis de video basado en aprendizaje profundo para la evaluación automatizada y graduada de la competencia en el arrastre al pecho. En este estudio observacional prospectivo, reclutaron a 114 parejas madre-recién nacido de un hospital terciario, grabando en video las sesiones de arrastre al pecho y anotando 30 comportamientos neonatales utilizando un marco ampliado de Widström. El modelo, que opera sobre episodios grabados completos, se basa en una red neuronal convolucional tridimensional (3D-CNN) para reconocer comportamientos neonatales y predecir un grado de competencia.

Qué encontraron

El modelo mostró una capacidad discriminativa moderada al identificar a los infantes de alto riesgo, con F1-scores de 0.82 para el Grado 3 (arrastre sin alcanzar el pezón) y 0.67 para el Grado 4 (sin arrastre). En un conjunto de prueba reservado, alcanzó un AUC promedio macro de 0.77 y un AUC promedio micro de 0.81. En un análisis binario posterior alineado con el uso clínico previsto, la sensibilidad fue del 100%, la especificidad del 70% y la precisión del 85%. Un análisis de SHAP identificó características asociadas con una mejor y peor competencia en el arrastre.

Limitaciones

Los autores advierten que estos resultados son preliminares, ya que se derivan de un único centro con un conjunto de prueba pequeño y un procedimiento de selección de características no anidado. Se requiere validación externa con un plan de análisis anidado preespecificado antes de cualquier aplicación clínica.

Lectura final

Este estudio representa un avance prometedor en la evaluación objetiva de la competencia del arrastre al pecho en neonatos a través de tecnologías de aprendizaje profundo. Sin embargo, su aplicación clínica aún está lejana y dependerá de futuras validaciones más amplias y rigurosas.

Sigue leyendo

Lectura clínica

  • Información de industria
  • Uso clínico real

Información editorial dirigida a profesionales de la salud. No sustituye la evaluación clínica, las guías vigentes ni el juicio médico.

Clasificación editorial automática

Fuente original

PubMed/NLM – IA clínica

También en el radar

¿Quieres más contexto?

Cada semana seleccionamos las señales de IA que importan, con foco en medicina.

Únete a la lista de RADAR

Te avisaremos cuando publiquemos el primer boletín y recibirás una selección breve de las señales de IA que realmente importan.