Moise, Kenneth Jr MD; Gaither, Kelly PhD; Madden-Rusnak, Anna PhD; Lowry, Kathy RN, MSN; Hutson, Emily RN, MSN; Bruns, Danielle RDMS; Valero, Reinaldo MD, RDMS. Detección de movimientos fetales por smartphones mediante inteligencia artificial. Obstetricia y Ginecología ():10.1097/AOG.0000000000006228, 5 de marzo de 2026. | DOI: 10.1097/AOG.0000000000006228
Recopilado por Carlos Cabrera Lozada. Individuo de Número, ANM Sillón VII. ORCID: 0000-0002-3133-5183. 23/03/2026
Resumen
OBJETIVO:
Evaluar si el aprendizaje automático podría usarse con grabaciones de audio desde un smartphone para detectar movimientos fetales que provocan alteraciones en el entorno del líquido amniótico.
MÉTODOS:
Realizamos un estudio prospectivo para registrar simultáneamente los movimientos fetales observados en ecografías y grabaciones de audio utilizando un smartphone colocado en el abdomen materno y compararlos con la percepción materna de los movimientos fetales. Los segmentos de audio de los smartphones se preprocesaron para reducir el ruido, reducir la señal en ventanas y dividirlos en fragmentos de audio mecanografiados de 1 segundo. Estos se convirtieron posteriormente en representaciones visuales de sus características acústicas conocidas como coeficientes cepstrales de frecuencia Mel (MFCCs). Se examinaron MFCC seleccionados para evaluar cómo varían las características características según la edad gestacional y el índice de masa corporal (IMC). El movimiento fetal detectado en la ecografía se consideró el estándar de oro para estimar la precisión de la predicción del modelo aplicada a segmentos de audio etiquetados y la percepción materna del movimiento. El área bajo la curva característica de operación del receptor (AUROC) se utilizó para evaluar la precisión del clasificador binario y detectar la presencia o ausencia de cualquier movimiento fetal. Se utilizaron puntuaciones macro F1 para evaluar la precisión de movimientos más refinados (movimiento macro, respiración y hipos). Los movimientos aislados del tronco y de las extremidades se marcaban con una única marca temporal, y los movimientos fetales macroscópicos continuos o repetitivos se anotaban con una marca temporal continua que abarcaba la duración de la actividad.
RESULTADOS:
En total, se incluyeron 136 participantes; Se siguieron longitudinalmente 30 pacientes y 106 recibieron solo una visita de estudio. Se aplicaron modelos aditivos generalizados a MFCC seleccionados y se analizaron por separado para registros de cohortes y tipos de movimiento fetal. Los resultados revelaron asociaciones no lineales con la edad gestacional (P<,001 ajustada) y el IMC materno (P<,001 ajustada), lo que informó el refinamiento del algoritmo. En nuestro modelo final, ajustando por edad gestacional y IMC materno, se observó que la detección de movimiento fetal con grabaciones de audio en el smartphone era muy precisa. La detección binaria de la presencia o ausencia de cualquier movimiento fetal fue clínicamente significativa (AUROC 0,886, IC 95%, 0,883–0,888) frente a la percepción materna del 3,0%. El movimiento fetal macroscopo se detectó con una precisión del 64,0% (IC 95%, 63,1–66,7%), mientras que la percepción materna de los movimientos fetales arrojó una precisión del 18,0%. De manera similar, la precisión de las grabaciones de audio en comparación con los movimientos respiratorios fetales detectados por ultrasonidos fue del 93,0% (IC 95%, 92,0–94,2%) frente al 3,0% de la percepción materna. Finalmente, la precisión de las grabaciones de audio para hipo fetal fue del 73,0% (IC 95%, 68,2–76,2%) frente al 32,0% de percepción materna.
CONCLUSIÓN:
La evaluación basada en audio del movimiento fetal usando un smartphone puede detectar de forma fiable los movimientos fetales macroscos, así como la respiración fetal y los hipos observados en la ecografía, y demostró ser superior a la percepción materna de los movimientos.