Maestría en Ingeniería Electrónica

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9025

Browse

Browsing Maestría en Ingeniería Electrónica by Author "Cancino Rey, William Andrés"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Estimación del riesgo de parto prematuro a partir del análisis computarizado de imágenes de ultrasonido transvaginal cervicales
    (Universidad Industrial de Santander, 2025-02-10) Cancino Rey, William Andrés; Pertuz Arroyo, Said David; Becerra Mojica, Carlos Hernán; Parra Meza, Carolina; Fajardo Ariza, Carlos Augusto
    El parto prematuro (PP) sigue siendo un problema de salud global. Los esfuerzos de los investigadores se han centrado en desarrollar métodos para detectar a mujeres con alto riesgo de PP en etapas tempranas del embarazo. Aunque existen biomarcadores que intentan detectar PP en el segundo trimestre, la detección en el primer trimestre es lo deseable para implementar estrategias de intervención más tempranas. Este estudio tiene como objetivo desarrollar un algoritmo para estimar el riesgo de parto prematuro espontáneo (PPE) a partir de imágenes de ultrasonido transvaginal (TVUS) del primer trimestre. Se llevó a cabo un estudio retrospectivo de cohorte con mujeres que asistieron a un examen de tamizaje por ultrasonido entre las semanas 11+0 y 13+6. Se recopilaron variables clínicas, que incluyeron información demográfica, longitud cervical (LC), índice de consistencia cervical (ICC) e historial obstétrico, junto con imágenes de TVUS. Estas imágenes fueron sometidas a un análisis radiómico computarizado para extraer características que fueron usadas en el entrenamiento de cinco modelos de aprendizaje automático. El análisis radiómico permite la extracción automática de información clínicamente relevante de las imágenes médicas, transformándolas en variables cuantitativas basadas en medidas de intensidad, morfometría y textura. El área bajo la curva ROC (AUC) y los intervalos de confianza (IC) del 95% evaluaron el rendimiento de los modelos para predecir PPE. Se utilizó una regresión logística para calcular los puntajes de riesgo basados en las medidas cervicales (LC e ICC) individuales y en la combinación del análisis radiómico con las variables clínicas. De 253 mujeres incluidas, 28 experimentaron un PPE. El modelo de Regresión Logística entrenado con las características radiómicas (RadF) mostró el mejor desempeño, con un AUC de 0.67 (IC 95%, 0.57 - 0.77). Al combinar el análisis radiómico con LC e ICC, el AUC aumentó a 0.68 (IC 95%, 0.56 - 0.79) y 0.74 (IC 95%, 0.64 - 0.83), respectivamente. Al integrar RadF con las variables clínicas, el AUC alcanzó 0.79 (IC 95%, 0.69 - 0.88). Estos hallazgos resaltan el potencial del análisis radiómico en la predicción de PPE en el primer trimestre y la importancia de integrar múltiples biomarcadores.