A indução do trabalho de parto é um procedimento obstétrico frequentemente realizado que envolve a iniciação artificial das contrações uterinas antes do seu início espontâneo. O seu uso tem vindo a aumentar globalmente, particularmente em países de elevado rendimento, onde representa cerca de 25% dos nascimentos na União Europeia, Reino Unido e Estados Unidos. A indução é tipicamente recomendada por razões médicas, como gravidez pós-termo (≥41 semanas), diabetes gestacional, perturbações hipertensivas da gravidez, rotura prematura de membranas ou preocupações com o crescimento fetal.

Início / Publicações / Publicação

Início / Publicações / Publicação

Ecografia

PREVISÃO DO TIPO DE PARTO APÓS INDUÇÃO COM RECURSO A MODELOS DE MACHINE LEARNING

Tipo de publicação: Resumo do Artigo
Título original: Predicting vaginal delivery after labor induction using machine learning: Development of a multivariable prediction model
Data da publicação do artigo: Novembro de 2024
Fonte: Acta Obstetricia et Gynecologica Scandinavica
Autores: Iolanda Ferreira, Joana Simões, João Correia, Ana Luísa Areia

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O principal objetivo do estudo é desenvolver e validar um modelo de machine learning capaz de prever a probabilidade de um parto induzido ocorrer por via vaginal. O público-alvo inclui obstetras, profissionais de saúde envolvidos nos cuidados de maternidade e investigadores clínicos. Este estudo enquadra-se em áreas da saúde digital, tais como análise preditiva, Inteligência Artificial (IA) em obstetrícia, interpretabilidade de modelos algorítmicos e medicina personalizada.

Qual é o contexto?
     A indução do trabalho de parto é um procedimento obstétrico frequentemente realizado que envolve a iniciação artificial das contrações uterinas antes do seu início espontâneo. O seu uso tem vindo a aumentar globalmente, particularmente em países de elevado rendimento, onde representa cerca de 25% dos nascimentos na União Europeia, Reino Unido e Estados Unidos. A indução é tipicamente recomendada por razões médicas, como gravidez pós-termo (≥41 semanas), diabetes gestacional, perturbações hipertensivas da gravidez, rotura prematura de membranas ou preocupações com o crescimento fetal.

     Embora seja uma ferramenta clínica valiosa, a indução pode resultar em cesarianas não planeadas, que estão associadas a custos mais elevados – incluindo maior tempo de internamento e maior exigência sobre os profissionais de saúde — bem como maiores riscos à saúde — como hemorragias, infeções, recuperação mais lenta e potenciais complicações em futuras gestações. As taxas de cesariana têm aumentado significativamente em muitos países, com Portugal a atingir os 37,1% em 2021. Vários fatores contribuem para esta tendência, incluindo idade materna avançada, obesidade, o recurso a tecnologias de reprodução assistida e preferências culturais.

Quais são as abordagens atuais?
     Prever o tipo de parto após a indução é um desafio clínico significativo, influenciado por inúmeras variáveis. Ferramentas preditivas tradicionais como o índice de Bishop — que avalia o estado do colo uterino com base na dilatação (abertura do colo), na percentagem de extinção (encurtamento da espessura do colo), a posição e consistência do colo e o nível de descida do feto no canal pélvico — oferecem uma visão limitada do progresso do trabalho de parto, pois  não consideram fatores maternos e obstétricos relevantes, como o número de partos anteriores, intervalo entre gravidezes e complicações durante a gravidez. De forma semelhante, modelos estatísticos convencionais demonstram limitações na sua precisão e abrangência de dados, frequentemente baseados em pequenos conjuntos de dados, assumindo o tempo como principal preditor e sem distinguir entre partos espontâneos e induzidos. Como resultado, apresentam baixa precisão, não conseguem reduzir eficazmente as taxas de cesariana e a adesão clínica é limitada, dado que os profissionais consideram variáveis que estes modelos não contemplam.

     Para colmatar estas lacunas, estudos recentes exploraram abordagens de machine learning capazes de analisar grandes conjuntos de dados e capturar relações complexas e não lineares. Apesar de alguns modelos existentes apresentarem bom desempenho, continuam a ter limitações como enviesamentos, mistura de dados de partos espontâneos e induzidos e falta de validação rigorosa (como validação cruzada ou testes em conjuntos independentes). Ainda assim, modelos de machine learning multifatoriais representam um avanço promissor na direção de ferramentas de previsão mais precisas e personalizadas.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo residiu no desenvolvimento de um modelo preditivo multivariável baseado em machine learning, focado exclusivamente na previsão do tipo de parto após a indução. Além de prever o desfecho, o modelo também se propõe a identificar quais os fatores clínicos com maior influência nessas previsões, promovendo a interpretabilidade.

     Para o desenvolvimento do modelo, utilizou-se uma base de dados abrangente com dados clínicos de 2.434 grávidas a termo (entre 37 a 42 semanas de gestação) portadoras de um único bebé que foram submetidas a indução no Serviço de Obstetrícia do Centro Hospitalar e Universitário de Coimbra, entre 2018 e 2021. Os dados foram recolhidos em diferentes momentos: durante consultas pré-natais, na admissão hospitalar para indução e durante o trabalho de parto. Inicialmente, resultaram num conjunto abrangente de 65 variáveis. Estas variáveis foram agrupadas em quatro categorias: fatores maternos (idade, altura, história clínica), dados intergestacionais (intervalo entre gestações, tipo de parto em gravidezes anteriores), detalhes atuais da gravidez (peso, índice de massa corporal, complicações) e especificidades da indução (idade gestacional, índice de Bishop, motivo e método de indução).

     A avaliação do impacto e desempenho deste estudo foi realizada através da comparação do desempenho de vários modelos de machine learning: Regressão Logística, Random Forest, Multilayer Perceptron, Support Vetor Machine, AdaBoost e XGBoost para prever o resultado do parto após indução.

     Para garantir a consistência, robustez e a capacidade de generalização dos modelos a dados não observados durante o treino, utilizou-se uma validação cruzada de 10 vezes: os dados foram divididos em 10 partes, utilizando 9 para treinar o modelo e a parte restante para testar o seu desempenho — repetindo este processo até que cada parte fosse testada uma vez. Para avaliar a variabilidade do desempenho e aumentar a confiança nos resultados, este ciclo completo de validação cruzada foi repetido 30 vezes com inicializações aleatórias.

     O desempenho de cada modelo foi avaliado e comparado usando métricas-chave: AUROC (Area Under the Receiver Operating Characteristic Curve), que mede a capacidade do modelo de distinguir entre partos vaginais e cesarianas – onde 1,0 indica discriminação perfeita e 0,5 representa ao acaso; especificidade, que indica a proporção de partos vaginais reais que o modelo identificou corretamente, e sensibilidade, que indica a proporção de casos reais de cesariana que o modelo identificou corretamente. Para aumentar a relevância clínica e a transparência, o estudo também usou a SHAP (SHapley Additive exPlanations), uma técnica de IA explicável, que interpreta as previsões dos modelos, explicando o resultado de cada paciente. A SHAP quantifica o quanto cada variável contribuiu para uma previsão específica, ao mesmo tempo em que contabiliza as interações entre as variáveis.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     O estudo constatou que 1.736 mulheres (71,3%) tiveram parto vaginal após a indução, enquanto 698 (28,7%) necessitaram de cesariana não planeada. As mulheres que realizaram cesariana eram geralmente mais velhas, tinham um índice de massa corporal mais elevado, menor probabilidade de ter tido partos anteriores, maior probabilidade de terem tido uma cesariana anterior e estavam menos preparadas fisicamente para o trabalho de parto, como indicado pelos valores mais baixos no índice de Bishop. As indicações mais frequentes para a indução foram preocupações com o crescimento fetal e gravidezes prolongadas (≥ 41 semanas). As cesarianas foram realizadas principalmente devido ao sofrimento fetal ou à falha na progressão do parto.

     O modelo preditivo com melhor desempenho foi a Regressão Logística, com AUROC de 0,794, o que indica boa capacidade de discriminação. Também mostrou alta especificidade, identificando corretamente 91% dos partos vaginais — o que permite dar segurança às mulheres com baixo risco previsto de cesariana após a indução. A sensibilidade foi de 0,766, mostrando boa capacidade para detetar casos reais de cesariana. Os preditores mais importantes de sucesso no parto vaginal, segundo a análise SHAP, foram: índice de Bishop elevado, histórico de partos anteriores a termo, altura materna mais alta, menor tempo entre as gestações e histórico de parto vaginal. Estas características são largamente consistentes com o conhecimento clínico estabelecido, mas são agora quantitativamente confirmadas pelo modelo.

     No futuro, o modelo deverá ser validado externamente em outros hospitais usando diferentes conjuntos de dados para confirmar a sua capacidade de generalização antes de ser amplamente adotado. Poderá ser integrado na prática clínica como ferramenta de apoio à decisão, fornecendo previsões personalizadas sobre o tipo de parto após indução, com base em dados individuais. Esta abordagem poderá melhorar o aconselhamento às grávidas, promover a tomada de decisões partilhadas entre mulheres e profissionais de saúde e ajudar a simular os resultados em diferentes idades gestacionais, orientando o melhor momento para indução. A longo prazo, este modelo pode contribuir para reduzir cesarianas desnecessárias, otimizar os recursos hospitalares e melhorar os resultados maternos e neonatais.

Interessado em saber todos os detalhes?

Saiba mais aqui
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
logotipo SNS
SPMS logotipo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
república Portuguesa logo
União Europeia Logo

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo

Início / Publicações / Publicação

Ecografia

PREVISÃO DO TIPO DE PARTO APÓS INDUÇÃO COM RECURSO A MODELOS DE MACHINE LEARNING

Tipo de publicação: Resumo do Artigo
Título original: Predicting vaginal delivery after labor induction using machine learning: Development of a multivariable prediction model
Data da publicação do artigo: Novembro de 2024
Fonte: Acta Obstetricia et Gynecologica Scandinavica
Autores: Iolanda Ferreira, Joana Simões, João Correia, Ana Luísa Areia

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O principal objetivo do estudo é desenvolver e validar um modelo de machine learning capaz de prever a probabilidade de um parto induzido ocorrer por via vaginal. O público-alvo inclui obstetras, profissionais de saúde envolvidos nos cuidados de maternidade e investigadores clínicos. Este estudo enquadra-se em áreas da saúde digital, tais como análise preditiva, Inteligência Artificial (IA) em obstetrícia, interpretabilidade de modelos algorítmicos e medicina personalizada.

Qual é o contexto?
     A indução do trabalho de parto é um procedimento obstétrico frequentemente realizado que envolve a iniciação artificial das contrações uterinas antes do seu início espontâneo. O seu uso tem vindo a aumentar globalmente, particularmente em países de elevado rendimento, onde representa cerca de 25% dos nascimentos na União Europeia, Reino Unido e Estados Unidos. A indução é tipicamente recomendada por razões médicas, como gravidez pós-termo (≥41 semanas), diabetes gestacional, perturbações hipertensivas da gravidez, rotura prematura de membranas ou preocupações com o crescimento fetal.

     Embora seja uma ferramenta clínica valiosa, a indução pode resultar em cesarianas não planeadas, que estão associadas a custos mais elevados – incluindo maior tempo de internamento e maior exigência sobre os profissionais de saúde — bem como maiores riscos à saúde — como hemorragias, infeções, recuperação mais lenta e potenciais complicações em futuras gestações. As taxas de cesariana têm aumentado significativamente em muitos países, com Portugal a atingir os 37,1% em 2021. Vários fatores contribuem para esta tendência, incluindo idade materna avançada, obesidade, o recurso a tecnologias de reprodução assistida e preferências culturais.

Quais são as abordagens atuais?
     Prever o tipo de parto após a indução é um desafio clínico significativo, influenciado por inúmeras variáveis. Ferramentas preditivas tradicionais como o índice de Bishop — que avalia o estado do colo uterino com base na dilatação (abertura do colo), na percentagem de extinção (encurtamento da espessura do colo), a posição e consistência do colo e o nível de descida do feto no canal pélvico — oferecem uma visão limitada do progresso do trabalho de parto, pois  não consideram fatores maternos e obstétricos relevantes, como o número de partos anteriores, intervalo entre gravidezes e complicações durante a gravidez. De forma semelhante, modelos estatísticos convencionais demonstram limitações na sua precisão e abrangência de dados, frequentemente baseados em pequenos conjuntos de dados, assumindo o tempo como principal preditor e sem distinguir entre partos espontâneos e induzidos. Como resultado, apresentam baixa precisão, não conseguem reduzir eficazmente as taxas de cesariana e a adesão clínica é limitada, dado que os profissionais consideram variáveis que estes modelos não contemplam.

     Para colmatar estas lacunas, estudos recentes exploraram abordagens de machine learning capazes de analisar grandes conjuntos de dados e capturar relações complexas e não lineares. Apesar de alguns modelos existentes apresentarem bom desempenho, continuam a ter limitações como enviesamentos, mistura de dados de partos espontâneos e induzidos e falta de validação rigorosa (como validação cruzada ou testes em conjuntos independentes). Ainda assim, modelos de machine learning multifatoriais representam um avanço promissor na direção de ferramentas de previsão mais precisas e personalizadas.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo residiu no desenvolvimento de um modelo preditivo multivariável baseado em machine learning, focado exclusivamente na previsão do tipo de parto após a indução. Além de prever o desfecho, o modelo também se propõe a identificar quais os fatores clínicos com maior influência nessas previsões, promovendo a interpretabilidade.

     Para o desenvolvimento do modelo, utilizou-se uma base de dados abrangente com dados clínicos de 2.434 grávidas a termo (entre 37 a 42 semanas de gestação) portadoras de um único bebé que foram submetidas a indução no Serviço de Obstetrícia do Centro Hospitalar e Universitário de Coimbra, entre 2018 e 2021. Os dados foram recolhidos em diferentes momentos: durante consultas pré-natais, na admissão hospitalar para indução e durante o trabalho de parto. Inicialmente, resultaram num conjunto abrangente de 65 variáveis. Estas variáveis foram agrupadas em quatro categorias: fatores maternos (idade, altura, história clínica), dados intergestacionais (intervalo entre gestações, tipo de parto em gravidezes anteriores), detalhes atuais da gravidez (peso, índice de massa corporal, complicações) e especificidades da indução (idade gestacional, índice de Bishop, motivo e método de indução).

     A avaliação do impacto e desempenho deste estudo foi realizada através da comparação do desempenho de vários modelos de machine learning: Regressão Logística, Random Forest, Multilayer Perceptron, Support Vetor Machine, AdaBoost e XGBoost para prever o resultado do parto após indução.

     Para garantir a consistência, robustez e a capacidade de generalização dos modelos a dados não observados durante o treino, utilizou-se uma validação cruzada de 10 vezes: os dados foram divididos em 10 partes, utilizando 9 para treinar o modelo e a parte restante para testar o seu desempenho — repetindo este processo até que cada parte fosse testada uma vez. Para avaliar a variabilidade do desempenho e aumentar a confiança nos resultados, este ciclo completo de validação cruzada foi repetido 30 vezes com inicializações aleatórias.

     O desempenho de cada modelo foi avaliado e comparado usando métricas-chave: AUROC (Area Under the Receiver Operating Characteristic Curve), que mede a capacidade do modelo de distinguir entre partos vaginais e cesarianas – onde 1,0 indica discriminação perfeita e 0,5 representa ao acaso; especificidade, que indica a proporção de partos vaginais reais que o modelo identificou corretamente, e sensibilidade, que indica a proporção de casos reais de cesariana que o modelo identificou corretamente. Para aumentar a relevância clínica e a transparência, o estudo também usou a SHAP (SHapley Additive exPlanations), uma técnica de IA explicável, que interpreta as previsões dos modelos, explicando o resultado de cada paciente. A SHAP quantifica o quanto cada variável contribuiu para uma previsão específica, ao mesmo tempo em que contabiliza as interações entre as variáveis.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     O estudo constatou que 1.736 mulheres (71,3%) tiveram parto vaginal após a indução, enquanto 698 (28,7%) necessitaram de cesariana não planeada. As mulheres que realizaram cesariana eram geralmente mais velhas, tinham um índice de massa corporal mais elevado, menor probabilidade de ter tido partos anteriores, maior probabilidade de terem tido uma cesariana anterior e estavam menos preparadas fisicamente para o trabalho de parto, como indicado pelos valores mais baixos no índice de Bishop. As indicações mais frequentes para a indução foram preocupações com o crescimento fetal e gravidezes prolongadas (≥ 41 semanas). As cesarianas foram realizadas principalmente devido ao sofrimento fetal ou à falha na progressão do parto.

     O modelo preditivo com melhor desempenho foi a Regressão Logística, com AUROC de 0,794, o que indica boa capacidade de discriminação. Também mostrou alta especificidade, identificando corretamente 91% dos partos vaginais — o que permite dar segurança às mulheres com baixo risco previsto de cesariana após a indução. A sensibilidade foi de 0,766, mostrando boa capacidade para detetar casos reais de cesariana. Os preditores mais importantes de sucesso no parto vaginal, segundo a análise SHAP, foram: índice de Bishop elevado, histórico de partos anteriores a termo, altura materna mais alta, menor tempo entre as gestações e histórico de parto vaginal. Estas características são largamente consistentes com o conhecimento clínico estabelecido, mas são agora quantitativamente confirmadas pelo modelo.

     No futuro, o modelo deverá ser validado externamente em outros hospitais usando diferentes conjuntos de dados para confirmar a sua capacidade de generalização antes de ser amplamente adotado. Poderá ser integrado na prática clínica como ferramenta de apoio à decisão, fornecendo previsões personalizadas sobre o tipo de parto após indução, com base em dados individuais. Esta abordagem poderá melhorar o aconselhamento às grávidas, promover a tomada de decisões partilhadas entre mulheres e profissionais de saúde e ajudar a simular os resultados em diferentes idades gestacionais, orientando o melhor momento para indução. A longo prazo, este modelo pode contribuir para reduzir cesarianas desnecessárias, otimizar os recursos hospitalares e melhorar os resultados maternos e neonatais.

Interessado em saber todos os detalhes?

Saiba mais aqui
Perturbação do sono

Uma intervenção digital para a Insónia em Oncologia

A insónia é uma perturbação do sono caracterizada por dificuldades persistentes em iniciar o sono, mantê-lo durante a noite ou alcançar um sono de qualidade. Estas dificuldades surgem mesmo na presença de condições adequadas para…

Ler mais
Sistema robótico autónomo INSIDE

Sistema robótico autónomo para a terapia do autismo

O transtorno do espetro do autismo é uma condição do neurodesenvolvimento com repercussões clínicas, sociais e económicas significativas ao longo da vida. Segundo a Organização Mundial de Saúde, estima-se que afete aproximadamente 1 em cada…

Ler mais
troca de informações de saúde e interoperabilidade

A nova era da interoperabilidade em sistemas de saúde

A crescente utilização de registos eletrónicos de saúde, sistemas de diagnóstico digital e tecnologias de monitorização remota tem levado a um aumento expressivo no volume e na complexidade dos dados em saúde. Este aumento intensifica…

Ler mais
robótica colaborativa

Robótica colaborativa melhora as condições de trabalho

Os trabalhadores enfrentam desafios crescentes no ambiente industrial. Entre os mais críticos estão a fadiga e as posturas inadequadas, frequentemente associadas a tarefas repetitivas e a condições de trabalho que carecem de adequação ergonómica. Estes…

Ler mais
Benefícios da Eletrônica Médica

Deteção da ansiedade e de ataques de pânico em tempo real

O crescente número de pessoas com transtornos de ansiedade, juntamente com o aumento da conscientização sobre a saúde mental, impulsiona a necessidade de novas ferramentas tecnológicas que forneçam a monitorização remota e contínua de transtornos…

Ler mais
Personalização e tecnologia na gestão da Diabetes

Personalização e tecnologia na gestão da diabetes

A crescente prevalência de doenças crónicas, particularmente DM, está a sobrecarregar os sistemas de saúde globais e a aumentar os custos dos cuidados de saúde devido à complexidade dos cuidados e à fraca integração, resultando…

Ler mais
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada pela Comissão Europeia e tem uma duração de cinco anos….

Ler mais
Global Digital Health Partnership Logo

SPMS representa Portugal como vice-presidente da GDHP

A GDHP é uma organização intergovernamental da área da saúde digital que facilita a cooperação e colaboração entre representantes governamentais e a Organização Mundial da Saúde (OMS), cujo propósito é fomentar o desenvolvimento de políticas…

Ler mais
HealthData@PT Logo

HealthData@PT: Nova iniciativa da SPMS para dados de saúde

A ação HealthData@PT é lançada no contexto da implementação do Espaço Europeu de Dados de Saúde, sendo uma iniciativa aprovada pela Comissão Europeia no âmbito do programa EU4Health 2021-2027. Esta iniciativa contribui para a transformação…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo
Scroll to Top