IA para ecografías: cómo un modelo ayuda a llevar imágenes prenatales a zonas con pocos recursos

Por qué las ecografías siguen siendo cruciales durante el embarazo

Las ecografías ofrecen información clave en el seguimiento del embarazo: confirmar latido fetal, contar extremidades, identificar número de fetos, conocer la posición del bebé y, muy importante, estimar la edad gestacional. Esa estimación guía decisiones clínicas como el calendario de pruebas, los manejos terapéuticos y la preparación para un parto seguro. Si la edad gestacional se calcula mal, las consecuencias pueden ser graves —por ejemplo, subestimar la prematuridad de un recién nacido puede llevar a cuidados insuficientes en el momento del nacimiento.

Sin embargo, el acceso a imágenes diagnósticas es desigual: cerca de dos tercios de la población mundial no tiene acceso fácil a servicios como ecografías y radiografías. La falta de equipos y la escasez de sonógrafos especializados agravan la brecha, particularmente en comunidades rurales y en países de bajos recursos.

Barreras técnicas y humanas que limitan el acceso

Las máquinas tradicionales de ultrasonido son costosas, voluminosas y requieren mantenimiento y energía estable. Cuando fallan en clínicas remotas suele no haber quien las repare. En contraste, los dispositivos portátiles y a batería han reducido parte de esa barrera por ser más económicos y transportables. No obstante, operar un ultrasonido con calidad diagnóstica sigue demandando años de entrenamiento: convertirse en sonógrafo puede requerir hasta dos años de formación práctica intensiva.

Esa combinación —equipos caros o reparables con dificultad y personal altamente especializado— explica por qué muchas embarazadas no reciben una ecografía aunque la tecnología exista.

Qué hizo el equipo de investigación: enfoque y colaboradores

Investigadores de Google, en colaboración con Northwestern Medicine y Jacaranda Health, diseñaron un estudio para explorar si la inteligencia artificial podía ampliar el acceso a información ecográfica crítica. El estudio incluyó a 2,000 personas embarazadas: 1,000 en Nairobi (Kenya) y 1,000 en Chicago (EE. UU.).

La clave fue cambiar la forma de obtener las imágenes. En lugar de depender de un sonógrafo experto que ubique puntos y medidas precisas, entrenaron a personal sanitario con poco o ningún experiencia en ecografía para realizar lo que llaman “blind sweep” (barrido a ciegas).

¿Qué es un “blind sweep” y por qué importa?

Un “blind sweep” consiste en desplazar el transductor por el abdomen siguiendo un patrón predeterminado, sin buscar medidas exactas en tiempo real. El procedimiento es sencillo y reproducible: con entrenamiento práctico corto —los operadores pueden aprender la técnica en alrededor de ocho horas— se generan videos que muestran distintas vistas del feto.

Estos operadores recopilan las grabaciones y el modelo de IA analiza los videos para extraer información útil, como la edad gestacional y la presentación fetal (la posición del bebé). Además, la herramienta puede indicar al operador si la barrida debe repetirse porque la calidad de la imagen no es suficiente.

El papel de la IA y la ventaja del procesamiento local

Los investigadores entrenaron modelos de machine learning para interpretar los videos de los barridos. Dos aspectos prácticos destacan:

• Precisión clínica: en el estudio, el modelo estimó la edad gestacional y determinó la presentación fetal con un rendimiento comparable al de un sonógrafo entrenado. Eso sugiere que, al menos para esas mediciones, una combinación de barridos estandarizados y análisis automatizado puede ofrecer información confiable.

• Procesamiento en el dispositivo: todo el análisis puede realizarse localmente en el equipo portátil, sin necesidad de conexión constante a internet ni de infraestructura eléctrica estable. Eso es especialmente relevante en entornos donde la conectividad y la energía son limitadas.

Implicaciones prácticas para Latinoamérica

Aunque el estudio se realizó en Nairobi y Chicago, el planteamiento tiene relevancia directa para América Latina. Muchas regiones rurales y periferias urbanas en países latinoamericanos enfrentan problemas similares: clínicas con recursos limitados, falta de especialistas en imagenología y obstáculos logísticos para acceder a atención prenatal de calidad.

Una solución que combine dispositivos portátiles, capacitación rápida de personal de primera línea y modelos de IA que trabajen sin conexión podría acercar información crítica a embarazadas que hoy no acceden a ecografías. Esto facilitaría la toma de decisiones clínicas tempranas, la referencia oportuna a centros de mayor complejidad y una mejor planificación del parto.

Limitaciones y pasos siguientes

Es importante mantener una perspectiva realista. El estudio demuestra viabilidad para estimar edad gestacional y presentación fetal, pero no reemplaza todos los usos de una ecografía completa realizada por especialistas. Integrar esta tecnología en sistemas de salud implica varios desafíos:

• Regulación y validación clínica adicional en distintos contextos poblacionales.
• Capacitación supervisada y protocolos de derivación claros para cuando la IA identifique hallazgos preocupantes.
• Asegurar la aceptación por parte de profesionales y pacientes mediante pilotos locales y evaluación de impacto.
• Consideraciones éticas y de privacidad en el manejo de imágenes y datos de salud.

Los investigadores reconocen que este trabajo es un paso hacia ampliar el acceso, más que una solución definitiva para todos los aspectos del cuidado prenatal.

Conclusión: hacia una ecografía más accesible

La combinación de ecografías por “blind sweep” y modelos de IA que operan en el dispositivo muestra cómo la tecnología puede acercar diagnósticos esenciales a comunidades con recursos limitados. El estudio de Google, Northwestern y Jacaranda Health prueba que es posible obtener estimaciones críticas —como la edad gestacional y la presentación fetal— con precisión similar a la de un sonógrafo entrenado, tras una breve capacitación de los operadores.

Para América Latina, este enfoque podría convertirse en una herramienta valiosa para reducir brechas en la atención prenatal, siempre que su adopción vaya acompañada de validación local, entrenamiento adecuado y marcos regulatorios y éticos robustos. La investigación sigue avanzando, y su potencial impacto dependerá de la colaboración entre tecnología, servicios de salud y comunidades donde se implemente.