¿Y si fuera posible estimar la madurez de los pulmones de un bebé aún en el vientre, sin aguja y sin procedimiento invasivo, solo analizando la textura de la imagen de ecografía? Esa es exactamente la propuesta de un modelo de inteligencia artificial presentado en AIUM 2026 por Nicole Adelson, de la Universidad Hofstra — un trabajo que podría cambiar cómo decidimos el mejor momento para un parto.
Por qué importa la madurez pulmonar fetal
La inmadurez pulmonar es una de las principales causas de la alta mortalidad en recién nacidos prematuros. Cuando los pulmones aún no han producido suficiente surfactante, se instala el síndrome de dificultad respiratoria — una complicación grave y potencialmente fatal. Saber, antes del parto, en qué etapa de maduración está el pulmón fetal ayuda al obstetra y al neonatólogo a planificar corticoides antenatales, el momento del nacimiento y el soporte respiratorio necesario.
El problema es cómo medirlo. Los métodos tradicionales de evaluación tienden a ser invasivos — históricamente, la toma de líquido amniótico mediante amniocentesis para analizar marcadores de surfactante — y no siempre ofrecen una precisión satisfactoria. De ahí el atractivo de una alternativa que use solo la imagen que ya se adquiere de forma rutinaria en el control prenatal.
Cómo funciona el modelo
Adelson construyó un modelo basado en redes neuronales convolucionales (CNN) para caracterizar imágenes de ecografía fetal como pretérmino o a término. La estrategia técnica es elegante: el sistema analiza cuantitativamente el pulmón fetal usando dithering para resaltar los patrones de textura de la imagen, divide la región de interés en subregiones y las compara entre sí, calculando un índice de heterogeneidad que funciona como proxy del grado de desarrollo del tejido pulmonar.
La lógica clínica detrás de esto tiene sentido: a medida que el pulmón madura, su arquitectura microscópica cambia, y esos cambios se traducen en diferencias sutiles de textura en la imagen — diferencias difíciles de cuantificar a ojo humano, pero accesibles para un algoritmo entrenado para ello. Es el mismo principio de análisis de patrón que viene impulsando el papel creciente de la IA en la ecografía en general.
De la investigación a la aplicación
Un diferencial importante del proyecto es cómo fue pensado para uso práctico. El modelo debe funcionar como una aplicación en la que el usuario selecciona la imagen de ecografía y la región de interés; el sistema entonces devuelve automáticamente si el pulmón se clasifica como pretérmino o a término, junto con el índice de heterogeneidad. Es la diferencia entre un experimento de laboratorio y una herramienta que cabe en el flujo de trabajo real del profesional.
Esa preocupación por la usabilidad conecta la investigación con una tendencia más amplia de la imagen en la salud femenina, en la que las plataformas buscan llevar inteligencia al punto de atención — algo que también vemos en soluciones como Tricefy, de Trice Imaging, orientada a la salud femenina.
La ciencia de la textura detrás del índice
Conviene desglosar el concepto de heterogeneidad, porque es el corazón del método. En radiómica, «textura» no es lo que vemos casualmente en la pantalla, sino el conjunto de relaciones estadísticas entre los píxeles: cuán uniformes o irregulares son los tonos de gris dentro de una región. Un pulmón inmaduro y un pulmón maduro dispersan el ultrasonido de formas distintas, y esas diferencias aparecen como variaciones en la granularidad de la imagen.
Al aplicar dithering y fragmentar la región de interés en subregiones comparables, el modelo amplifica justamente esos contrastes finos y los condensa en un número. El índice de heterogeneidad, por tanto, es un intento de transformar el «aspecto» del tejido en una medida objetiva y reproducible — el mismo tipo de enfoque que la radiómica ya usa en oncología para caracterizar tumores. La ventaja es la objetividad; el desafío es garantizar que el número sea estable entre aparatos, presets y operadores diferentes.
Implicaciones para la práctica clínica
Si se valida, una herramienta no invasiva para estimar la madurez pulmonar tendría un impacto directo en decisiones de altísima sensibilidad. En embarazos con riesgo de parto prematuro, podría ayudar a definir si conviene adelantar el nacimiento, intensificar la corticoterapia o esperar — siempre como apoyo a la decisión, nunca como sustituto del juicio clínico. En regiones con acceso limitado a laboratorios y procedimientos invasivos, la ganancia potencial es aún mayor, pues reaprovecha un examen barato y ampliamente disponible.
Vale la advertencia de siempre: se trata de un estudio inicial, y los modelos de IA exigen validación prospectiva en poblaciones diversas antes de cualquier uso rutinario. El índice de heterogeneidad deberá probarse contra desenlaces clínicos reales y contra los estándares de oro existentes para demostrar que mide lo que promete medir.
Perspectivas
El trabajo de Adelson se suma a un conjunto creciente de investigaciones que aplican radiómica y deep learning a la imagen obstétrica. La dirección es clara: extraer de exámenes de rutina la información que antes solo los procedimientos invasivos proporcionaban. Para América Latina, donde la ecografía obstétrica es ampliamente accesible pero el análisis especializado no siempre está disponible, herramientas así pueden democratizar evaluaciones complejas — siempre que vengan acompañadas de validación rigurosa, gobernanza de datos e integración responsable al flujo de trabajo.
Fuente: AuntMinnie — «AIUM: Ultrasound-based AI model could help measure fetal lung maturity»
