La inteligencia artificial optimiza la detección de la preeclampsia mediante el análisis placentario

Según recoge Medical Xpress, un equipo de la Universidad Carnegie Mellon y del Departamento de Anatomía Patológica del UPMC ha presentado un algoritmo de aprendizaje automático capaz de localizar en la placenta los marcadores que apuntan a una vasculopatía decidual, la lesión asociada con mayor frecuencia a la preeclampsia posparto. La herramienta no viene a sustituir al patólogo, sino a acompañarle en una tarea que hoy, por la escasez de especialistas, apenas llega al 20 % de las placentas que se examinan de forma sistemática en Estados Unidos.

El cuello de botella que todos reconocemos en planta

En nuestra práctica diaria que la preeclampsia no termina cuando el bebé nace: la madre puede regresar a casa tras un parto sin incidencias y desarrollar, días o semanas después, un trastorno hipertensivo grave que sigue siendo una de las principales causas de mortalidad materna. Examinar la placenta a tiempo ofrece pistas muy valiosas sobre lo ocurrido durante la gestación y sobre el riesgo futuro de la paciente, pero hay un detalle asistencial que rara vez se cuenta en las guías: el número de patólogos perinatales es claramente insuficiente, así que la mayoría de placentas se archivan sin un análisis en profundidad.

Es ahí donde la inteligencia artificial entra como facilitadora. El modelo, descrito en npj Digital Medicine, se entrena para revisar imágenes histológicas de los vasos sanguíneos placentarios y señalar cuáles presentan una organización celular sospechosa, de modo que el patólogo no pierde horas recorriendo miles de vasos sanos, sino que recibe un listado priorizado de casos que merecen una segunda mirada especializada.

Lo que el algoritmo ve, y por qué nos lo cuenta

El equipo se fijó en los trofoblastos extravellosos (EVT), las células que remodelan los vasos maternos para garantizar el flujo de sangre hacia el feto. Cuando aparece vasculopatía decidual, la proporción entre estos EVT y los hematíes dentro del vaso se altera: los vasos sanos tienen pocos EVT respecto a los glóbulos rojos; los enfermos, muchos más. Aprovechando las propiedades de transmisión de luz de las distintas tinciones, el algoritmo calcula lo que los autores denominan morphology separation score, un valor que cuantifica esa proporción y separa los vasos en dos grupos bien definidos.

La metáfora que propone el propio equipo para describir el cribado placentario es la de buscar a Wally: localizar cinco vasos enfermos entre tres mil o cuatro mil visualmente muy parecidos. Lo que aporta el modelo es, en cierto modo, poner un círculo rojo alrededor de cada Wally para que el clínico no tenga que recorrer todo el dibujo.

Por qué la explicabilidad cambia la conversación en la consulta

Lo más interesante para nosotros los clínicos no es solo que el sistema acierte, sino que sepa justificar su decisión. Frente al clásico «black box», este modelo acompaña cada predicción de la métrica biológica que la sostiene, lo que facilita que el patólogo valide el hallazgo y lo traduzca después en un informe comprensible para el equipo de obstetricia.

Para nuestra práctica esto se traduce en algo muy concreto: si este tipo de herramientas se consolidan, podemos avanzar hacia un escenario en el que prácticamente todas las placentas se revisen de forma sistemática y se identifique antes a las madres en riesgo de preeclampsia posparto. El reto, y aquí está la parte que nos toca como clínicos, será integrar el cribado algorítmico en los flujos de trabajo de anatomía patológica sin añadir burocracia y sin perder de vista que la última palabra siempre la tiene el profesional que mira la placa.