Inteligencia artificial y cardiotocografía fetal intraparto: destinadas a entenderse

AUTORES

1. Berta Castán Larraz. Facultativo Especialista en Obstetricia y Ginecología en Hospital Universitario Miguel Servet. Zaragoza. España.
2. Irene Manero Hernando. Facultativo Especialista en Obstetricia y Ginecología en Hospital Ernest Lluch. Calatayud, Zaragoza. España.
3. Claudia Amés Trigo. Facultativo Especialista en Obstetricia y Ginecología Hospital Arnau de Vilanova. Zaragoza. España.
4. Gema Pardina Claver. Facultativo Especialista en Obstetricia y Ginecología en Hospital Ernest Lluch. Calatayud, Zaragoza. España.
5. Elena Pardina Claver. Facultativo Especialista en Oftalmología en Hospital Universitario Clínico Lozano Blesa. Zaragoza. España.

RESUMEN

El proceso del parto somete al feto a períodos breves pero repetidos de hipoxia durante las contracciones uterinas elevando su nivel de catecolaminas como protección para favorecer su transición a la vida extrauterina. Con el objetivo de evitar lesiones o secuelas fetales derivadas de este mecanismo se introdujo en la década de 1960 la cardiotocografía como prueba de evaluación continua de riesgos durante el parto con la pretensión de prevenir muertes fetales relacionadas con la hipoxia así como lesiones neurológicas. Tradicionalmente, se realiza su interpretación de manera visual detectando patrones complejos e inespecíficos, situación que implica una tasa elevada de falsos positivos, subjetividad y variabilidad inter e intraobservador. Tras décadas de su uso, requiere un cambio de paradigma que mejore las deficiencias de esta área de daño fetal prevenible. La inteligencia artificial se erige en una gran herramienta tecnológica que integra soluciones cuantificables de manera automática construyendo modelos predictivos y de estratificación de riesgos utilizando métodos de aprendizaje automático y profundo analizando las señales de la frecuencia cardiaca fetal recogidas en el trazado cardiotocográfico. Este futuro inmediato necesita disponer de bases de datos muy amplias, multicéntricas y compartidas para reforzar la seguridad perinatal y optimizar la toma de decisiones en la práctica obstétrica. Se necesita garantizar una integración clínica segura que facilite la evaluación automatizada del registro cardiotocográfico ya que supone una necesidad insatisfecha desde hace décadas.

PALABRAS CLAVE

Cardiotocografía intraparto, Inteligencia artificial, Hipoxia fetal, Parto

ABSTRACT

The labor process subjects the fetus to brief yet repeated periods of hypoxia during uterine contractions, raising catecholamine levels as a protective measure to facilitate the transition to extrauterine life. To prevent fetal injury or long-term sequelae resulting from this mechanism, cardiotocography was introduced in the 1960s as a continuous risk-assessment tool during labor, aiming to prevent hypoxia-related fetal deaths and neurological injuries. Traditionally, interpretation is performed visually by identifying complex, non-specific patterns an approach associated with high false-positive rates, subjectivity and inter-intraobserver variability. After decades of use, a paradigm shift is required to address the shortcomings in this area of preventable fetal harm. Artificial intelligence has emerged as a powerful technological tool capable of integrating automated quantifiable solutions it builds predictive and risk-stratification models using machine learning and deep learning methods to analyze fetal heart rate signals captured in cardiotocographic tracings. This immediate future requires access to extensive, shared, multicenter databases to enhance perinatal safety and optimize decision making in obstetric practice. Ensuring safe clinical integration that facilitates the automated assessment of cardiotocographic recordings is essential as this has remained an unmet need for decades.

KEY WORDS

Intrapartum cardiotocography, Artificial intelligence, fetal hypoxia, Labour.

INTRODUCCIÓN

Lagercrantz describió el estrés neonatal propio de un parto normal como la felicidad de nacer. El parto constituye una reacción de estrés hedónico beneficioso caracterizado por niveles extremadamente elevados de catecolaminas, que nos protege de la hipoxia intrauterina y favorece la rápida transición a la vida extrauterina al facilitar cambios en la función pulmonar, la circulación y el metabolismo. Nunca en la vida de adulto se alcanza un pico de catecolaminas tan elevado como en el momento del nacimiento¹.

La salud del recién nacido podrá estar influida por diversos factores durante el parto y por ello un seguimiento adecuado es esencial para que los profesionales sanitarios respondan en tiempo y forma a los riesgos potenciales evitando intervenciones innecesarias. La cardiotocografía intraparto es un método de monitorización fetal ampliamente utilizado y que se define como el registro simultáneo de la frecuencia cardiaca fetal y de las contracciones uterinas. Su interpretación se ha realizado tradicionalmente mediante la evaluación visual basándose en guías estandarizadas. Esta situación implica una tasa elevada de falsos positivos, subjetividad y variabilidad inter e intraobservador. Estos factores alimentan el debate continuo sobre la eficacia real de la monitorización cardiotocográfica intraparto².

Es por ello, que la vigilancia fetal intraparto tiene como objetivo predecir la hipoxia fetal significativa e instaurar actuaciones oportunas para evitar lesiones fetales. Sin embargo, la configuración y aplicación de las guías clínicas actuales socavan involuntariamente estos objetivos debido a la persistente falta de incorporación de los conocimientos más recientes sobre fisiología cardiovascular fetal y las adaptaciones a la privación de oxígeno, hipoxia, así como de los avances en la adquisición y el procesamiento de señales³.

Existen diferencias significativas entre las principales guías de interpretación de la cardiotocografía intraparto que se utilizan actualmente. Se requiere una mayor coherencia entre dichas guías para mejorar la calidad de datos, su aplicación clínica y el seguimiento de los resultados, así como respaldar futuros avances⁴.

El uso de la cardiotocografía desde la década de 1960 ha demostrado ser poco concluyente tras cinco décadas y necesita un cambio de paradigma basado en soluciones automatizadas cuantificables que elaboren modelos predictivos y de estratificación de riesgos fetales con sistemas basados en datos que utilizan métodos de aprendizaje automático y profundo².

La última gran revolución en avances científicos nos va a conducir a una nueva época en la historia de la humanidad que es la era de la inteligencia artificial. Se erige como una gran herramienta tecnológica que generará un gran impacto en la biomedicina del futuro. Actualmente, existe una insaciable capacidad de acumular, organizar e interpretar datos para que los algoritmos ayuden a reducir la incertidumbre en la toma de decisiones complejas en el ámbito de la salud y la enfermedad. Pero los diseñadores de estos algoritmos artificiales buscarán consejo para su elaboración en la inteligencia natural humana que ha tardado más de 3.800 millones de años en acomodarse entre nuestros 85.000 millones de neuronas para conformar la mente humana⁵. Existe una tendencia actual de exageración en el uso del tecno-optimismo. Pero la inteligencia artificial no es una solución mágica que nos alerta a no confundir información con conocimiento ni datos informáticos con relatos clínicos de pacientes.

Stefan Zweig remarca que “lo importante no es lo que se progresa, sino lo que sabemos hacer con lo que se progresa”.

OBJETIVO

Analizar la interrelación de la monitorización fetal como método más utilizado en el control del bienestar fetal intraparto y una herramienta prometedora e innovadora como es la inteligencia artificial como tecnología útil y complementaria en la toma de decisiones obstétricas en un área de daño prevenible y que se erige como una prioridad de salud pública.

METODOLOGÍA

Se realiza una revisión bibliográfica de la evidencia científica de un área específica dentro de la Medicina Perinatal como es el bienestar fetal intraparto, que alude al uso y deficiencias de la cardiotocografía fetal intraparto y a la aparición prometedora de la inteligencia artificial como potencial herramienta a la hora de complementar el juicio clínico humano y reducir errores.

La fuente principal de búsqueda radica en Pubmed (Medline) y se selecciona información proveniente de artículos científicos. Esta búsqueda está basada en “palabras clave” y se utilizan filtros (tipo de estudio, año de publicación, idioma). Otras referencias bibliográficas pertenecen a bases de datos mundiales como Web of Science y Scopus, con contenido científico relevante. Estas bases están gestionadas por la Fundación Española para la Ciencia y la Tecnología (FECYT). También se analizan revisiones Cochrane Library así como Guías de Práctica Clínica y protocolos de Sociedades Científicas.

Tras llevar a cabo la búsqueda científica referida, se seleccionan 17 referencias bibliográficas que permiten proporcionar y actualizar hallazgos y desarrollos en esta área del conocimiento obstétrico.

DISCUSIÓN

Desde que Kergaradec realizó la primera auscultación fetal en 1821 ⁶, la monitorización fetal ha evolucionado continuamente en la cardiotocografía, registrando la frecuencia cardiaca fetal y las contracciones uterinas de manera simultánea mediante un monitor electrónico ⁷. Se utiliza prenatalmente y durante el parto para evaluar el bienestar fetal. Durante el parto sigue siendo la principal herramienta de cribado para situaciones de riesgo de hipoxia fetal y acidemia neonatal. Introducida en la década de 1960, la interpretación de los registros cardiotocográficos sigue basándose hoy en día en la evaluación visual por parte de los profesionales, fundamentada en directrices estandarizadas propuestas por el Colegio Americano de Obstetras y Ginecólogos (ACOG) en 1974 y posteriormente ampliadas por la Federación Internacional de Ginecología y Obstetricia (FIGO) ⁸. A pesar de las frecuentes actualizaciones de las guías nacionales e internacionales, la principal limitación sigue siendo la significativa variabilidad interobservador. Su papel en la sala de partos ha sido objeto de un debate continuo durante mucho tiempo. Sin embargo, aún no ha demostrado una reducción significativa de las muertes neonatales ni de las lesiones neurológicas a largo plazo, mientras que su asociación con un aumento en las tasas de cesárea ha suscitado preocupación⁹. Sumado a esto, las auditorías perinatales han identificado deficiencias en la cardiotocografía como factores críticos que contribuyen a muertes perinatales y lesiones neurológicas que podrían haberse evitado¹⁰. En la publicación de 2020 “Each Baby Counts” del Royal College of Obstetrician and Gynaecologists, se refiere que en el 74% de resultados anómalos fetales (muerte intraparto y lesiones neurológicas) el resultado hubiera sido diferente si la actuación obstétrica hubiera sido distinta. Manifiestan que los errores en la interpretación cardiotocográfica intraparto es una de las principales causas de los resultados adversos¹¹. Por consiguiente, mejorar la interpretación de la señal del registro cardiotocográfico sigue siendo un desafío importante y, con el surgimiento de métodos computacionales más potentes y grandes volúmenes de datos, la inteligencia artificial podría ofrecer un nuevo enfoque no invasivo⁷.

La inteligencia artificial está dejando una huella cada vez mayor en la medicina, incluida la Obstetricia. Estos modelos son idóneos para captar relaciones no lineales ocultas en diversos tipos de datos. Si se captan y presentan correctamente, estos modelos podrían ofrecer información práctica y útil sobre la salud fetal. La inteligencia artificial aplicada a la investigación de la cardiotocografía abarca tanto los métodos tradicionales de aprendizaje automático (machine learning) como los de aprendizaje profundo (deep learning). Mientras que los métodos tradicionales requieren una selección y extracción de características realizada por humanos, los métodos de deep learning pueden aprender directamente de datos complejos (en bruto) y descubrir nuevas características. A diferencia de los modelos tradicionales, es posible que estas características no tengan necesariamente un significado fisiológico claro. Además de la detección de características, se han desarrollado métodos de deep learning para proporcionar información diagnóstica sobre el estado fetal (tanto anteparto como intraparto) y para predecir resultados neonatales adversos en el momento del nacimiento^12,13.

Otras aplicaciones potenciales del deep learning en la monitorización mediante cardiotocografía incluyen la identificación automática de la frecuencia cardíaca materna y de señales falsas¹⁴.

En un estudio de Miyata et al (2025) analizan y comparan la interpretación de 984 registros cardiotocográficos procedentes de embarazos únicos, aplicando valoración visual humana frente a la computacional mediante algoritmos de aprendizaje automático (machine learning y deep learning). El diagnóstico humano alcanzó la mayor AUC (0.693; p=0.0003) superando a los métodos basados en inteligencia artificial (AUC= 0.524). La combinación de las predicciones humanas y valoración tecnológica arrojó una AUC de 0.693, mejorando la especificidad (91.92% en humanos y 98.03% para humanos y tecnología). Ponen de relieve el potencial de la inteligencia artificial para complementar el criterio humano al reducir la tasa de falsos positivos. Subrayan la necesidad de perfeccionar los algoritmos y de acumular más datos para incrementar la precisión diagnóstica¹⁵.

Gumilar et al en 2025¹⁶, evalúan el rendimiento de tres modelos de lenguaje de inteligencia artificial (ChatGPT-4.0, Gemini Advanced y Copilot) en la interpretación de imágenes cardiotocográficas comparando los resultados con los obtenidos por médicos humanos noveles y otros expertos, evaluando su fiabilidad en la toma de decisiones clínicas. El ChatGPT-4.0 demostró un rendimiento superior (77.86 puntos) al resto de lenguajes tecnológicos y médicos noveles. La valoración de médicos expertos obtuvo una puntuación de 80.43 sin diferencias significativas. Concluye remarcando que los modelos de lenguaje de inteligencia artificial son herramientas prometedoras para asistir a los obstetras y de esta manera mejorar su precisión diagnóstica y optimizar la atención a las gestantes.

En un estudio de Mendis et al (2025) utilizan un conjunto de datos provenientes de 9887 registros cardiotocográficos con mediciones de pH y 552 registros de una base externa con el objetivo de evaluar el rendimiento de seis modelos de aprendizaje profundo para la detección de compromiso fetal. El modelo ResNet (red neuronal residual convolucional) demostró el mejor desempeño en la clasificación de compromiso fetal, poniendo de relieve la interpretabilidad del modelo¹⁷.

CONCLUSIONES

Aunque la implementación clínica de la inteligencia artificial en la monitorización fetal sigue siendo un desafío complejo, los avances actuales ofrecen perspectivas tangibles para mejorar la vigilancia fetal. En un ámbito donde cada minuto cuenta, la inteligencia artificial podría convertirse en un factor clave para reforzar la seguridad perinatal y optimizar las prácticas obstétricas, siempre que su desarrollo y despliegue se realicen en un marco de confianza garantizando así una integración clínica segura, pertinente y controlada. Es indudable que la evaluación automatizada del registro cardiotocográfico es una necesidad clínica insatisfecha y que necesita un cambio de paradigma que facilite una toma de decisiones más objetiva y precisa durante el parto evitando errores humanos, optimizando los recursos y mejorando los resultados perinatales reduciendo el intervencionismo innecesario.

BIBLIOGRAFÍA

1. 1.Lagercrantz H. The good stress of being born. Acta Paediatr. 2016 Dec;105(12):1413-1416.
2. 2.Olofsson P. Umbilical cord pH, blood gases, and lactate at birth: normal values, interpretation, and clinical utility. Am J Obstet Gynecol. 2023 May;228(5S):S1222-S1240.
3. 3.Ugwumadu A, Arulkumaran S. A second look at intrapartum fetal surveillance and future directions. J Perinat Med. 2022 Sep 5;51(1):135-144.
4. 4.Brown J, Kanagaretnam D, Zen M. Clinical practice guidelines for intrapartum cardiotocography interpretation: A systematic review. Aust N Z J Obstet Gynaecol. 2023 Jun;63(3):278-289.
5. 5.López-Otín C. El futuro de la salud en la era de la inteligencia artificial. Heraldo de Aragón. 18 Septiembre 2025. Suplemento: 130 años de periodismo: 122-25.
6. 6.Pinkerton JH. Kergaradec, friend of Laennec and pioneer of foetal auscultation. Proc R Soc Med. 1969 May;62(5):477-83.
7. 7.Ayres-de-Campos D, Spong CY, Chandraharan E. FIGO Intrapartum Fetal Monitoring Expert Consensus Panel. FIGO consensus guidelines on intrapartum fetal monitoring: Cardiotocography. Int J Gynaecol Obstet. 2025 Oct; 131 (1): 13-24.
8. 8.Ben M’Barek I, Ben M’Barek B, Jauvion G, Holmström E, Agman A, Merrer J et al. Large-scale analysis of interobserver agreement and reliability in cardiotocography interpretation during labor using an online tool. BMC Pregnancy Childbirth. 2024 Feb 14;24(1):136.
9. 9.Alfirevic Z, Devane D, Gyte GM, Cuthbert A. Continuous cardiotocography (CTG) as a form of electronic fetal monitoring (EFM) for fetal assessment during labour. Cochrane Database Syst Rev. 2017 Feb 3;2(2):CD006066.
10. 10.Al Wattar BH, Honess E, Bunnewell S, Welton NJ, Quenby S, Khan KS et al. Effectiveness of intrapartum fetal surveillance to improve maternal and neonatal outcomes: a systematic review and network meta-analysis. CMAJ. 2021 Apr 6;193(14):E468-E477.
11. 11.Royal College of Obstetricians and Gynaecologists. Each Baby Counts: 2020 Final Progress Report. London: RCOG; 2021.
12. 12.Lovers A, Daumer M, Frasch MG, Ugwumadu A, Warrick P, Vullings R et al. Advancements in Fetal Heart Rate Monitoring: A Report on Opportunities and Strategic Initiatives for Better Intrapartum Care. BJOG. 2025 Jun;132(7):853-866.
13. 13.Frasch MG, Strong SB, Nilosek D, Leaverton J, Schifrin BS. Detection of Preventable Fetal Distress During Labor From Scanned Cardiotocogram Tracings Using Deep Learning. Front Pediatr. 2021 Dec 3;9:736834.
14. 14.O’Sullivan ME, Considine EC, O’Riordan M, Marnane WP, Rennie JM, Boylan GB. Challenges of Developing Robust AI for Intrapartum Fetal Heart Rate Monitoring. Front Artif Intell. 2021 Oct 26;4:765210.
15. 15.Miyata K, Shibata C, Fukunishi H, Hemmi K, Kinoshita H, Hirakawa T et al. Cardiotocography-Based Experimental Comparison of Artificial Intelligence and Human Judgment in Assessing Fetal Asphyxia During Delivery. Cureus. 2025 Jan 31;17(1):e78282.
16. 16.Gumilar KE, Wardhana MP, Akbar MIA, Putra AS, Banjarnahor DPP, Mulyana RS et al. Artificial intelligence-large language models (AI-LLMs) for reliable and accurate cardiotocography (CTG) interpretation in obstetric practice. Comput Struct Biotechnol J. 2025 Mar 18;27:1140-1147.
17. 17.Mendis L, Karmakar D, Palaniswami M, Brownfoot F, Keenan E. Cross-Database Evaluation of Deep Learning Methods for Intrapartum Cardiotocography Classification. IEEE J Transl Eng Health Med. 2025 Mar 5;13:123-135.