Inteligencia artificial en obstetricia, ginecología y reproducción: fundamentos básicos y aplicaciones clínicas actuales y futuras

AUTORES

1. Naomi Artal López. FEA Obstetricia y Ginecología, Parc Sanitari Sant Joan de Déu (Barcelona). España.
2. Carolina Hortoneda López. FEA Medicina de Urgencias y Emergencias, Servicio de Emergencias Sanitarias de la CV (Valencia). España.
3. Raquel Díez Ramírez. FEA Medicina de Urgencias y Emergencias, Servicio de Emergencias Sanitarias de la CV (Valencia). España.
4. Carmen Arto Fernández. FEA Medicina Interna, Hospital Universitario Miguel Servet (Zaragoza). España.
5. Alberto Carrillo Sola. FEA Medicina de Urgencias y Emergencias, Hospital Sant Pau i Santa Tecla (Tarragona). España.
6. Ana Romeo Aparicio. FEA Obstetricia y Ginecología, Hospital Universitario Miguel Servet (Zaragoza). España.

RESUMEN

El avance de la inteligencia artificial (IA) está transformando de manera sustancial la práctica médica contemporánea y la sociedad en general. En el ámbito de la Obstetricia, Ginecología y Reproducción, la integración de algoritmos de machine learning y deep learning ofrece herramientas avanzadas para la automatización diagnóstica, la optimización predictiva y la personalización terapéutica. La presente revisión analiza la taxonomía conceptual de la IA, sus aplicaciones vigentes en Medicina en general y Obstetricia, Ginecología y Medicina Reproductiva en particular, así como el marco regulatorio ético y legal que rige su implementación clínica. La evidencia actual posiciona a la IA como un elemento complementario y de soporte a la decisión médica, nunca sustitutivo del facultativo, con capacidad de elevar la precisión diagnóstica y reducir la variabilidad interobservador.

PALABRAS CLAVE

Inteligencia artificial, aprendizaje automático, aprendizaje profundo, algoritmos de predicción, ginecología. Obstetricia.

ABSTRACT

The advancement of artificial intelligence (AI) is substantially transforming contemporary medical practice and society as a whole. In the field of Obstetrics, Gynecology, and Reproductive Medicine, the integration of machine learning and deep learning algorithms offers advanced tools for diagnostic automation, predictive optimization and therapeutic personalization. This review analyzes the conceptual taxonomy of AI, its current applications in Medicine in general and Obstetrics, Gynecology, and Reproductive Medicine in particular, as well as the ethical and legal regulatory framework governing its clinical implementation. Current evidence positions AI as a complementary element and medical decision support tool, never a substitute for the physician, with the capacity to enhance diagnostic accuracy and reduce inter-observer variability.

KEY WORDS

Artificial intelligence, machine learning, deep learning, prediction algorithms, gynecology, obstetrics.

DESARROLLO DEL TEMA

La acelerada evolución de la inteligencia artificial (IA) ha supuesto un cambio de paradigma en el procesamiento de la información, trasladando su impacto desde los sistemas informáticos convencionales hasta aspectos básicos de nuestro día a día, como puede ser la atención sanitaria. Así, el incremento exponencial de la literatura científica sobre IA en PubMed, especialmente notable desde el año 2020, atestigua la relevancia que ha adquirido en las especialidades médicas, destacando la Ginecología y la Obstetricia por su amplio abanico de patologías, cuyo diagnóstico y tratamiento podría verse optimizado gracias al uso de estas nuevas herramientas (automatizando procedimientos, reduciendo con ello labores rutinarias y fomentando un ahorro de tiempo con una mayor precisión)¹.

Paralelamente al desarrollo tecnológico, el despliegue de modelos generativos y predictivos ha puesto de manifiesto la imperiosa necesidad de establecer marcos éticos y normativos sólidos. En este sentido, la aprobación de la primera Ley de Inteligencia Artificial por parte de la Unión Europea en diciembre de 2023 planteó la implementación paulatina (desde su aprobación hasta el año 2027) de exigencias operativas orientadas a garantizar el desarrollo de sistemas fiables, trazables y éticamente solventes (característica fundamental), minimizando, entre otras cosas, el riesgo de despersonalización en los procesos de salud².

FUNDAMENTOS BÁSICOS SOBRE INTELIGENCIA ARTIFICIAL:

Si bien las ideas esenciales de la IA se remontan a las matemáticas de los árabes y la lógica y algoritmos de los griegos, el concepto de “obtener razonamiento artificial” no aparece hasta el siglo XIV. De hecho, no es hasta finales del siglo XIX cuando se obtienen lógicas formales suficientemente poderosas, ni hasta mediados del siglo XX cuando se obtienen máquinas capaces de hacer uso de tales lógicas y algoritmos de solución. Es en este momento, en torno al año 1950, cuando el matemático británico Alan Turing empieza a hablar de inteligencia artificial. A partir de ahí, el desarrollo de la lógica matemática y los avances en computación hicieron que surgiera la revolución³.

Así, para alcanzar una adecuada interpretación de la evidencia científica en este campo, resulta imprescindible en primer lugar precisar la delimitación conceptual de los distintos niveles de complejidad computacional que integran la IA (representados de forma gráfica en el Anexo 1)⁴:

1. Sistemas expertos:

En su acepción más amplia, el término “IA” engloba la habilidad de un sistema informático para simular procesos cognitivos humanos, tales como la resolución de problemas y la toma de decisiones, gracias a la utilización de algoritmos complejos. Así, sus formas más simples corresponden a los sistemas expertos, que emulan el razonamiento humano. Para ello, un programador codifica manualmente las reglas de inferencia a partir del conocimiento de un profesional. No obstante, estas arquitecturas rígidas carecen de capacidad adaptativa y requieren intervención humana directa para cualquier modificación funcional. Este sería el ejemplo de los chats automáticos básicos de atención al cliente o juegos online contra un oponente no humano⁴.

2. Aprendizaje automático (Machine learning):

El machine learning constituye un subconjunto de la IA centrado en algoritmos estadísticos capaces de identificar patrones implícitos a partir del análisis masivo de datos. Así, en este tipo de aprendizaje, el sistema es entrenado mediante grandes colecciones de datos etiquetados por operadores humanos, quienes supervisan y ayudan a la máquina a aprender dándoles miles de ejemplos de entrenamiento y corrigiendo manualmente sus errores. Básicamente, imitan la forma de la que aprendemos los humanos. De esta forma, a medida que se incrementa el volumen de muestras analizadas, el algoritmo perfecciona progresivamente sus estimaciones predictivas mediante correlaciones lineales y simples. Es la inteligencia artificial que utilizan los sistemas de recomendación de películas o series en base a los gustos que hemos informado previamente, o los filtros que clasifican según qué correo electrónico como spam⁴.

3. Aprendizaje profundo (Deep learning):

Por último, dentro del espectro del machine learning, el deep learning representa el nivel de mayor sofisticación. Basado en redes neuronales artificiales constituidas por múltiples capas de procesamiento interconectadas, el deep learning procesa grandes volúmenes de datos diversos no estructurados (Big Data) sin necesidad de extracción manual previa de características. Así, los nodos de las capas intermedias reestructuran sus pesos y conexiones tras cada interacción, permitiendo al sistema identificar variables jerárquicas abstractas de forma autónoma. Dicho de otra forma, el ordenador aprende de sus propios errores y piensa por sí mismo, sin necesidad de intervención humana directa, reconociendo por ejemplo imágenes biomédicas y procesando el lenguaje natural humano con gran nivel de precisión. Este sería el ejemplo de ChatGPT o Gemini, que como es de suponer requieren procesadores muy complejos⁴.

A modo resumen, se expone en el Anexo 2 una tabla comparativa entre estos dos últimos modelos de aprendizaje⁴.

Para finalizar la parte teórica, también resulta interesante comentar que, con el objetivo de prevenir el sobreajuste y garantizar la transferibilidad de los modelos, el conjunto de datos que utilizan (sobre todo aquellos modelos de deep learning), se dividen estructuralmente en tres subgrupos funcionalmente diferenciados⁴:

• Grupo de entrenamiento (training set, 80%):
• Grupo de entrenamiento principal (main training set, 80%): utilizado por el algoritmo para establecer los parámetros internos del modelo predictivo.
• Grupo de validación (tuning set, 20%): destinado al ajuste de hiperparámetros y optimización de las redes neuronales.
• Grupo de prueba (test set, 20%): muestra independiente que permite la evaluación imparcial del modelo fabricado (sensibilidad, especificidad y área bajo la curva).

INTELIGENCIA ARTIFICIAL EN MEDICINA:

Por todos es sabido que los dos pilares fundamentales en el ejercicio de la Medicina son el conocimiento y la experiencia. Este concepto resulta fundamental para entender la Inteligencia Artificial y sus implicaciones en Medicina, ya que, de la misma forma, de cuantos más datos de calidad y mayor experiencia dotemos a las máquinas, más capacidad tendrán estas para tomar decisiones. En el caso de la mente humana, su principal barrera en la adquisición tanto de conocimiento como de experiencia es la limitación del tiempo. Por el contrario, la inteligencia artificial será capaz de adquirir, en relativamente poco tiempo, más experiencia y conocimiento, que los humanos a lo largo de toda su vida ⁵.

Así pues, la IA se presenta en la Medicina con el objetivo de mejorar rendimiento, precisión, eficiencia temporal y de recursos. Ello busca traducirse en una mejora en la atención al paciente mediante, por ejemplo, un diagnóstico precoz, rápido, y eficiente, así como una reducción de errores médicos o una interacción más directa, y por tanto más humana, con el paciente (al liberarse tiempo asistencial gracias a la automatización de procesos repetitivos). No obstante, será importante tener en cuenta que estas herramientas únicamente deberían asistir o complementar la atención médica habitual, nunca reemplazarla, prestando especial atención al riesgo de despersonalización de servicios, prestaciones y cuidados. Este es, y deberá ser siempre, el pilar ético imprescindible para el correcto uso de la IA en las Ciencias de la Salud ⁵.

Bajo este pretexto, dentro de la Medicina en general, se han desarrollado pues herramientas basadas en la IA para construir modelos predictivos de desarrollo de determinadas enfermedades, herramientas que asisten en el proceso de un diagnóstico diferencial o toma de decisiones médicas, diseño y producción de medicamentos, análisis y gestión hospitalaria, etc.⁵.

INTELIGENCIA ARTIFICIAL EN OBSTETRICIA:

Dentro del ámbito de la Obstetricia, la Medicina Materno – Fetal constituye un área altamente susceptible de automatización⁶.

En concreto, la integración de algoritmos de Machine learning en equipos de ecografía permite la identificación de cortes anatómicos óptimos, así como el posicionamiento automático de los cálipers biométricos (por ejemplo, en la medición del pliegue nucal o de los distintos parámetros ecográficos utilizados para la realización de una biometría fetal). Asimismo, se están desarrollando redes neuronales destinadas al cribado automatizado de malformaciones estructurales en tiempo real⁷.

Por otro lado, ya existen modelos basados en IA para la predicción de complicaciones obstétricas (tales como la preeclampsia, la restricción del crecimiento intrauterino y la amenaza de parto pretérmino), que combinan datos clínicos con análisis informáticos para dar un veredicto predictivo que pueda complementar (y en un futuro, incluso condicionar) la asistencia clínica⁶.

Por último, se han desarrollado (y continúan perfeccionándose) modelos de análisis computarizado del registro cardiotocográfico mediante machine learning, que buscan optimizar la predicción de acidosis neonatal, minimizando la variabilidad interobservador propia del análisis visual tradicional del dicho registro⁸.

INTELIGENCIA ARTIFICIAL EN GINECOLOGÍA:

Pasando al campo de la Ginecología, uno de los aspectos más revolucionarios es la aplicación del deep learning en el cribado mamográfico poblacional, lo cual facilita el filtrado automatizado de exploraciones normales y prioriza aquellas con hallazgos sospechosos para que sean valorados por un radiólogo, reduciendo la carga de trabajo y mejorando la eficacia y eficiencia de los programas de screening⁹.

Asimismo, el uso de algoritmos multivariables basados en sintomatología y marcadores ecográficos, permitirían acelerar el diagnóstico de patologías concretas como la endometriosis, reduciendo el prolongado tiempo de latencia diagnóstica característico de esta entidad¹⁰.

Por otro lado, dentro de la Ginecología Oncológica se están desarrollando modelos de deep learning que permitirían predecir la respuesta a esquemas terapéuticos neoadyuvantes y adyuvantes, identificando biomarcadores con valor pronóstico y perfilar dianas moleculares específicas para cada paciente, contribuyendo a la personalización de los planes de tratamiento^11,12.

Por último, pasando al ámbito quirúrgico, cabe destacar la integración de la IA en plataformas quirúrgicas asistidas por robot (como el sistema quirúrgico Da Vinci®), proporcionando orientación anatómica en tiempo real mediante la delimitación de estructuras anatómicas críticas (por ejemplo, los uréteres o grandes vasos sanguíneos), pudiendo incluso analizar variables intraoperatorias. Asimismo, podría ser de utilidad en la identificación prequirúrgica de factores de riesgo modificables, y también en el análisis y elección prequirúrgica de los mejores abordajes¹³.

INTELIGENCIA ARTIFICIAL EN REPRODUCCIÓN:

La embriología clínica demanda procedimientos altamente estandarizados. Así, la aplicación de sistemas de imagen time – lapse acoplados a modelos de deep learning permite la selección objetiva de embriones en ciclos de fecundación in vitro. Dichos algoritmos jerarquizan los embriones según su potencial de implantación basándose en parámetros morfocinéticos, integrados con variables clínicas maternas, de forma que el sistema ayuda en la elección del orden de transferencia de cada embrión¹⁴.

Asimismo, se están desarrollando modelos de IA útiles en la predicción de resultados en función del protocolo farmacológico de estimulación ovárica utilizado, ayudando así a personalizar dichos tratamientos para cada mujer¹⁵.

CONCLUSIONES

Como se ha expuesto, la inteligencia artificial constituye una poderosa herramienta de apoyo a la decisión clínica, que aporta automatización, precisión, optimización y personalización, diseñada para complementar (y nunca sustituir) el juicio profesional facultativo¹.

No obstante, a su vez conlleva importantes desafíos y preocupaciones ético – legales: proteger la privacidad y seguridad de los datos médicos utilizados en su entrenamiento, garantizar la precisión e interpretación correcta de los datos en entornos clínicos, la dificultad para auditar la lógica inferencial interna de las redes neuronales profundas (black box)¹⁶, la posibilidad de que elimine puestos de trabajo (asociado a una controvertida posible deshumanización de la Medicina), etc.¹⁷.

Así pues, para abordar estos desafíos y asegurar que estas tecnologías se utilicen de manera ética, responsable y equitativa, será imprescindible continuar con la investigación y la colaboración entre profesionales médicos, científicos de datos e ingenieros informáticos, con el objetivo de impulsar el desarrollo responsable de la IA y garantizar el enfoque centrado en la paciente, con el objetivo último de mejorar su salud y su bienestar^1,17.

BIBLIOGRAFÍA

1. Kulkarni S, Seneviratne N, Baig MS, Khan AHA. Artificial Intelligence in Medicine: Where Are We Now? Acad Radiol. 2020 Jan;27(1):62-70.
2. Future of Life Institute. EU Artificial Intelligence Act [Internet]. [citado 5 ago 2026]. Disponible en: https://artificialintelligenceact.eu/es/
3. Kaplan A. Artificial intelligence, business and civilization: our fate made in machines. 1^st ed. London: Routledge; 2022.
4. Russell S, Norvig P. Artificial intelligence: a modern approach. 4^th ed. Hoboken: Pearson; 2021.
5. Lanzagorta Ortega D, Carrillo Pérez DL, Carrillo Esper R. Inteligencia Artificial en Medicina: presente y futuro. Gac Med Mex. 2022;158(1):17-21.
6. Dhombres F, Bonnard J, Bailly K, et al. Contributions of Artificial Intelligence reported in Obstetrics and Gynecology Journals: Systematic Review. J Med Internet Res. 2022;24(4):e35465.
7. Viswanathan AV, Pokaprakarn T, Kasaro MP, Shah HR, Prieto JC, Benabdelkader C, et al. Deep learning to estimate gestational age from fly-to cineloop videos: A novel approach to ultrasound quality control. Int J Gynaecol Obstet. 2024 Jun;165(3):1013-21.
8. Esteban-Escaño J, Castán B, Castán S, Chóliz-Ezquerro M, Asensio C, Laliena AR, et al. Machine Learning Algorithm to Predict Acidemia Using Electronic Fetal Monitoring Recording Parameters. Entropy (Basel). 2021 Dec 30;24(1):68.
9. Hickman SE, Payne NR, Black RT, Huang Y, Priest AN, Hudson S, et al. Mammography Breast Cancer Screening Triage Using Deep Learning: A UK Retrospective Study. Radiology. 2023 Nov;309(2):e231173.
10. Bendifallah S, Puchar A, Suisse S, Delbos L, Poilblanc M, Descamps P, et al. Machine learning algorithms as new screening approach for patients with endometriosis. Sci Rep. 2022 Jan 12;12(1):639.
11. Jiang Y, Wang C, Zhou S. Artificial intelligence-based risk stratification, accurate diagnosis and treatment prediction in gynecologic oncology. Semin Cancer Biol. 2023 Nov;96:82-99.
12. Akazawa M, Hashimoto K. Artificial intelligence in gynecologic cancers: current status and future challenges – a systematic review. Artif Intell Med. 2021;120:102164.
13. Moglia A, Georgiou K, Georgiou E, Satava RM, Cuschieri A. A systematic review on artificial intelligence in robot-assisted surgery. Int J Surg. 2021;95:106151.
14. Illingworth PJ, Venetis C, Gardner DK, Nelson SM, Berntsen J, Larman MG, et al. Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial. Nat Med. 2024 Nov;30(11):3114-20.
15. Rosenwaks Z. Artificial intelligence in reproductive medicine: a fleeting concept or the wave of the future? Fertil Steril. 2020 Nov;114(5):905-7.
16. Handelman GS, Kok HK, Chandra RV, Razavi AH, Huang S, Brooks M, et al. Peering Into the Black Box of Artificial Intelligence: Evaluation Metrics of Machine Learning Methods. AJR Am J Roentgenol. 2019 Jan;212(1):38-43.
17. Sung J. Artificial intelligence in medicine: Ethical, social and legal perspectives. Ann Acad Med Singap. 2023 Dec 28;52(12):695-9.

ANEXOS

ANEXO 1. Figura 1. Formas de inteligencia artificial (elaboración propia en base al trabajo de Russell et al.)⁴.

ANEXO 2.

Tabla 1. Comparación entre modelos de Machine Learning y Deep Learning (elaboración propia en base al trabajo de Russell et al.)⁴.