Detectar aviat un embaràs d'alt risc és clau per prevenir complicacions greus per a la mare i el nadó, però els mètodes de cribratge que fan servir avui els sistemes de salut varien molt d'un país a l'altre i sovint no incorporen tota la informació disponible en les primeres setmanes de gestació.
Un equip internacional ha publicat a la revista Journal of Medical Internet Research l'estudi «Machine Learning–Based First-Trimester Antenatal Risk Prediction for Adverse Maternal and Neonatal Outcomes: Multicenter Model Development Study» (DOI 10.2196/88450), amb dades de més de mig milió d'embarassos recollides a Suècia, Xile i Singapur. Fent servir només informació disponible durant les primeres catorze setmanes de gestació —clínica, però també social i demogràfica—, els models d'aprenentatge automàtic van distingir millor els embarassos d'alt i baix risc que els mètodes de cribratge que ja s'utilitzen en cadascun d'aquests tres països; la millora va ser especialment notable a Suècia i Xile, i més modesta, però encara estadísticament significativa, a Singapur. En algunes poblacions, factors socials i demogràfics es van revelar entre els predictors més importants, informació que els mètodes de risc tradicionals solen deixar de banda.
Si es confirma en la pràctica clínica, una eina així podria ajudar a identificar més aviat embarassos que necessiten seguiment reforçat, permetent una atenció prenatal més personalitzada i, potencialment, més equitativa entre poblacions diferents, sense esperar a símptomes que apareixen més tard en la gestació.
L'estudi també posa en relleu un límit important: el model va funcionar bé a Suècia i Singapur, però va mostrar una calibració més feble a Xile, amb menys concordança entre el risc previst i el risc real observat. Els autors conclouen que aquestes eines necessiten validació i ajust locals abans d'aplicar-se de manera universal, i insisteixen que estan pensades per donar suport a la decisió clínica, no per substituir-la.