INTELIGÊNCIA ARTIFICIAL NA PREDIÇÃO DE COMPLICAÇÕES OBSTÉTRICAS GRAVES: REVISÃO SISTEMÁTICA E AVALIAÇÃO DA APLICABILIDADE CLÍNICA
DOI:
https://doi.org/10.36557/2674-8169.2026v8n9p1645-1686Palavras-chave:
Inteligência artificial; Obstetrícia; Complicações obstétricas; Aprendizado de máquina; Predição clínica.Resumo
A inteligência artificial (IA) tem apresentado crescente aplicação na área da saúde, especialmente na obstetrícia, como ferramenta de apoio à identificação precoce de complicações maternas e fetais. Este estudo teve como objetivo avaliar o uso da inteligência artificial na predição de complicações obstétricas graves e sua aplicabilidade clínica. Trata-se de uma revisão sistemática da literatura, realizada por meio de buscas em bases de dados científicas, considerando estudos relacionados à utilização de técnicas de aprendizado de máquina e aprendizado profundo na predição de desfechos obstétricos. Após o processo de identificação, triagem e avaliação de elegibilidade, foram selecionados 19 estudos para compor a revisão. Os resultados demonstraram aplicações da IA na predição de diferentes condições obstétricas, incluindo pré-eclâmpsia, parto prematuro, alterações do crescimento fetal, alterações placentárias, morbidade respiratória neonatal e cardiopatias congênitas. Observou-se que os modelos de aprendizado de máquina podem integrar dados clínicos, laboratoriais, ultrassonográficos e outros parâmetros para auxiliar na identificação de gestantes com maior risco de complicações. Entretanto, também foram identificadas limitações relacionadas à heterogeneidade dos dados, validação dos modelos, qualidade das informações utilizadas, interpretabilidade e implementação na prática clínica. Dessa forma, embora a IA apresente potencial para contribuir com a identificação precoce de riscos obstétricos e auxiliar a tomada de decisão dos profissionais de saúde, sua utilização deve ocorrer de forma complementar à avaliação clínica. Conclui-se que a incorporação dessas tecnologias à assistência obstétrica requer validação adequada e estudos que avaliem sua segurança, confiabilidade e aplicabilidade em diferentes contextos clínicos.
Downloads
Referências
ARNAOUT, R.; CURRAN, L.; ZHAO, Y.; LEVINE, J. C.; CHINN, E.; MOON-GRADY, A. J. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease. Nature Medicine, v. 27, n. 5, p. 882-891, 2021. DOI: 10.1038/s41591-021-01342-5.
ASAN, O.; BAYRAK, A. E.; CHOUDHURY, A. Artificial intelligence and human trust in healthcare: focus on clinicians. Journal of Medical Internet Research, v. 22, n. 6, e15154, 2020. DOI: 10.2196/15154.
BURGOS-ARTIZZU, X. P.; PEREZ-MORENO, Á.; CORONADO-GUTIERREZ, D.; GRATACOS, E.; PALACIO, M. Evaluation of an improved tool for non-invasive prediction of neonatal respiratory morbidity based on fully automated fetal lung ultrasound analysis. Scientific Reports, v. 9, n. 1, p. 1950, 2019. DOI: 10.1038/s41598-019-38576-w.
BURGOS-ARTIZZU, X. P.; CORONADO-GUTIÉRREZ, D.; VALENZUELA-ALCARAZ, B.; BONET-CARNE, E.; EIXARCH, E.; CRISPI, F.; GRATACÓS, E. Evaluation of deep convolutional neural networks for automatic classification of common maternal fetal ultrasound planes. Scientific Reports, v. 10, n. 1, p. 10200, 2020. DOI: 10.1038/s41598-020-67076-5.
DEO, R. C. Machine learning in medicine. Circulation, v. 132, n. 20, p. 1920-1930, 2015. DOI: 10.1161/CIRCULATIONAHA.115.001593.
DHOMBRES, F.; BONNARD, J.; BAILLY, K.; MAURICE, P.; PAPAGEORGHIOU, A. T.; JOUANNIC, J. M. Contributions of artificial intelligence reported in obstetrics and gynecology journals: systematic review. Journal of Medical Internet Research, v. 24, n. 4, e35465, 2022. DOI: 10.2196/35465.
FERGUS, P.; HUSSAIN, A.; AL-JUMEILY, D.; HUANG, D. S.; BOUGUILA, N. Classification of caesarean section and normal vaginal deliveries using foetal heart rate signals and advanced machine learning algorithms. BioMedical Engineering OnLine, v. 16, n. 1, p. 89, 2017. DOI: 10.1186/s12938-017-0378-z.
JIANG, F.; JIANG, Y.; ZHI, H.; DONG, Y.; LI, H.; MA, S.; WANG, Y.; DONG, Q.; SHEN, H.; WANG, Y. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology, v. 2, n. 4, p. 230-243, 2017. DOI: 10.1136/svn-2017-000101.
KIM, H. Y.; CHO, G. J.; KWON, H. S. Applications of artificial intelligence in obstetrics. Ultrasonography, v. 42, n. 1, p. 2-9, 2023. DOI: 10.14366/usg.22063.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015. DOI: 10.1038/nature14539.
LEE, K. S.; AHN, K. H. Application of artificial intelligence in early diagnosis of spontaneous preterm labor and birth. Diagnostics, v. 10, n. 9, p. 733, 2020. DOI: 10.3390/diagnostics10090733.
MACDONALD, S.; STEVEN, K.; TRZASKOWSKI, M. Explainable AI in healthcare: enhancing equity, safety and trust. In: Artificial Intelligence in Medicine. Singapore: Springer, 2022. p. 241-258.
SOBHANINIA, Z. et al. Fetal ultrasound image segmentation for biometric parameters using multitask deep learning. In: ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY – EMBC, 2019. Proceedings [...]. 2019.
SUFRIYANA, H.; WU, Y. W.; SU, E. C. Prediction of preeclampsia and intrauterine growth restriction: development of machine learning models on a prospective cohort. JMIR Medical Informatics, v. 8, n. 5, e15411, 2020. DOI: 10.2196/15411.
SUN, H.; QU, H.; CHEN, L.; WANG, W.; LIAO, Y.; ZOU, L.; ZHOU, Z.; WANG, X.; ZHOU, S. Identification of suspicious invasive placentation based on clinical MRI data using textural features and automated machine learning. European Radiology, v. 29, n. 11, p. 6152-6162, 2019. DOI: 10.1007/s00330-019-06372-9.
VAN DE SANDE, D.; VAN GENDEREN, M. E.; SMIT, J. M.; HUISKENS, J.; VISSER, J. J.; VEEN, R. E. R.; VAN UNEN, E.; HILGERS BA, O.; GOMMERS, D.; VAN BOMMEL, J. Developing, implementing and governing artificial intelligence in medicine: a step-by-step approach to prevent an artificial intelligence winter. BMJ Health Care Informatics, v. 29, n. 1, e100495, 2022. DOI: 10.1136/bmjhci-2021-100495.
WOLFF, J.; PAULING, J.; KECK, A.; BAUMBACH, J. Success factors of artificial intelligence implementation in healthcare. Frontiers in Digital Health, v. 3, p. 594971, 2021. DOI: 10.3389/fdgth.2021.594971.
YAQUB, M.; KELLY, B.; PAPAGEORGIOU, A. T.; NOBLE, J. A. A deep learning solution for automatic fetal neurosonographic diagnostic plane verification using clinical standard constraints. Ultrasound in Medicine & Biology, v. 43, n. 12, p. 2925-2933, 2017. DOI: 10.1016/j.ultrasmedbio.2017.07.013.
YI, J.; KANG, H. K.; KWON, J. H.; KIM, K. S.; PARK, M. H.; SEONG, Y. K.; KIM, D. W.; AHN, B.; HA, K.; LEE, J.; HAH, Z.; BANG, W. C. Technology trends and applications of deep learning in ultrasonography: image quality enhancement, diagnostic support, and improving workflow efficiency. Ultrasonography, v. 40, n. 1, p. 7-22, 2021. DOI: 10.14366/usg.20102.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Patrícia Iolanda Antunes, Ana Beatriz Oliveira de Melo , Maria Eduarda Bezerra do Nascimento, André Luiz Dantas Pimentel , Jéssica Alessandra Pereira, Bruna Amora Guedes, Dhébora Corrêa Fortes Bonates Lima, Maria Fernanda Leite, Italo Lafayette Silva, Rebeca Caranha Araujo, Karoline Costa de Souza, Fabiana Lie Baba
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os autores são detentores dos direitos autorais mediante uma licença CCBY 4.0.
