Se han realizado esfuerzos en todo el mundo para reducir las tasas de partos por cesárea al 12-15%. Se ha prestado especial atención a las parturientas que se someten a una prueba de trabajo de parto después de una cesárea para reducir la carga de las cesáreas repetidas. Las tasas de complicaciones son más bajas cuando se logra un parto vaginal y más altas cuando se realiza una cesárea no planificada, lo que enfatiza la necesidad de evaluar, con anticipación, la probabilidad de un parto vaginal exitoso después de una cesárea.
Se han desarrollado calculadoras de parto vaginal después de parto por cesárea en diferentes poblaciones; sin embargo, se han descrito algunas limitaciones para su implementación en la práctica clínica.
El objetivo de este estudio fue evaluar la viabilidad de utilizar métodos de aprendizaje automático para predecir un parto vaginal exitoso después de una cesárea. Se analizaron las historias clínicas electrónicas de los trabajos de parto únicos a término durante un período de 12 años en un centro de referencia terciario. Con el uso de refuerzo de gradiente, se crearon modelos que incorporaron múltiples características maternas y fetales para predecir el éxito del parto vaginal en parturientas que se someten a una prueba de trabajo de parto después de una cesárea.
Se creó un modelo para proporcionar una puntuación de riesgo personalizada para el parto vaginal después de un parto por cesárea con el uso de funciones que están disponibles desde la primera visita prenatal; Se creó un segundo modelo que reevalúa esta puntuación después de agregar funciones que están disponibles solo en las proximidades de la entrega.
Se identificó una cohorte de 9888 parturientas con 1 parto por cesárea anterior, de las cuales el 75,6% de las parturientas (n = 7473) intentó una prueba de trabajo de parto, con una tasa de éxito del 88%. Se desarrolló un modelo basado en el aprendizaje automático para predecir cuándo tendría éxito el parto vaginal. Cuando se utilizan las características que están disponibles en la primera visita prenatal, el modelo mostró una curva característica de funcionamiento del receptor con un área bajo la curva de 0,745 (intervalo de confianza del 95%, 0,728–0,762) que aumentó a 0,793 (intervalo de confianza del 95%, 0,778– 0.808) cuando se agregaron características que están disponibles cerca del proceso de entrega.
Además, para el modelo posterior, se construyó una herramienta de estratificación de riesgo para asignar a las parturientas en baja, media, y grupos de alto riesgo para la prueba fallida del trabajo de parto después de una cesárea. Los grupos de riesgo bajo y medio (42,4% y 25,6% de parturientas, respectivamente) mostraron una tasa de éxito del 97,3% y 90,9%, respectivamente. El grupo de alto riesgo (32,1%) tuvo una tasa de éxito del parto vaginal del 73,3%. La aplicación del modelo a una cohorte de parturientas que eligieron una cesárea repetida (n = 2145) demostró que el 31% de estas parturientas se habrían asignado a los grupos de riesgo bajo y medio si se hubiera intentado una prueba de trabajo de parto.
La prueba del trabajo de parto después de una cesárea es segura para la mayoría de las parturientas. Las tasas de éxito son altas, incluso en una población con altas tasas de prueba de trabajo de parto después de una cesárea. La aplicación de un algoritmo de aprendizaje automático para asignar una puntuación de riesgo personalizada para un parto vaginal exitoso después de un parto por cesárea puede ayudar en la toma de decisiones y contribuir a reducir las tasas de parto por cesárea. La asignación de parturientas a grupos de riesgo puede ayudar a la gestión del proceso de parto.
No hay comentarios:
Publicar un comentario