Estimación del riesgo de parto prematuro a partir del análisis computarizado de imágenes de ultrasonido transvaginal cervicales

Simple item page
dc.contributor.advisorPertuz Arroyo, Said David
dc.contributor.advisorBecerra Mojica, Carlos Hernán
dc.contributor.authorCancino Rey, William Andrés
dc.contributor.evaluatorParra Meza, Carolina
dc.contributor.evaluatorFajardo Ariza, Carlos Augusto
dc.date.accessioned2025-02-13T16:06:33Z
dc.date.available2025-02-13T16:06:33Z
dc.date.created2025-02-10
dc.date.issued2025-02-10
dc.description.abstractEl 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.
dc.description.abstractenglishPreterm birth (PTB) remains a global health problem. Researchers' efforts have focused on developing methods to detect women at high risk of PTB early in pregnancy. Although existing biomarkers attempt to detect PTB in the second trimester, detection in the first trimester is desirable in order to implement earlier intervention strategies. This study aims to develop an algorithm to estimate the risk of spontaneous preterm birth (sPTB) from first trimester transvaginal ultrasound (TVUS) images. A retrospective cohort study was conducted with women attending a screening ultrasound examination between 11+0 and 13+6 weeks. Clinical variables were collected, including demographic information, cervical length (CL), cervical consistency index (CCI) and obstetric history, along with TVUS images. These images were subjected to computerized radiomic analysis to extract features that were used in training five machine learning models. Radiomic analysis allows the automatic extraction of clinically relevant information from medical images, transforming them into quantitative variables based on measures of intensity, morphometry and texture. The area under the ROC curve (AUC) and 95% confidence intervals (CI) evaluated the performance of the models in predicting sPTB. Logistic regression was used to calculate risk scores based on individual cervical measurements (CL and CCI) and the combination of radiomic analysis with clinical variables. Out of 253 women included, 28 experienced sPTB. The Logistic Regression model trained with radiomic features (RadF) showed the best performance, with an AUC of 0.67 (95% CI, 0.57 - 0.77). When combining radiomic analysis with CL and CCI, the AUC increased to 0.68 (95% CI, 0.56 - 0.79) and 0.74 (95% CI, 0.64 - 0.83), respectively. When integrating RadF with clinical variables, the AUC reached 0.79 (95% CI, 0.69 - 0.88). These findings highlight the potential of radiomic analysis in predicting sPTB in the first trimester and the relevance of integrating multiple biomarkers.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Electrónica
dc.description.googlescholarhttps://scholar.google.com/citations?user=agfGfqsAAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0002-6042-4345
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/44995
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectParto prematuro espontáneo
dc.subjectAprendizaje automático
dc.subjectUltrasonido transvaginal
dc.subjectAnálisis radiómico
dc.subjectCuello uterino
dc.subjectPrimer trimestre
dc.subject.keywordSpontaneous Preterm Birth
dc.subject.keywordMachine Learning
dc.subject.keywordTransvaginal Ultrasound
dc.subject.keywordRadiomic Analysis
dc.subject.keywordCervix
dc.subject.keywordFirst Trimester
dc.titleEstimación del riesgo de parto prematuro a partir del análisis computarizado de imágenes de ultrasonido transvaginal cervicales
dc.title.englishRisk estimation of preterm birth from computerized analysis of transvaginal ultrasound cervical images
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
125.62 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.76 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
272.91 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería Electrónica