Uso de machine learning en la detección temprana de complicaciones neonatales: revisión bibliográfica
DOI:
https://doi.org/10.63688/r7kbw843Palabras clave:
machine learning, neonatología, sepsis neonatal, inteligencia artificial, diagnóstico temprano, modelos predictivosResumen
Introducción: Las complicaciones neonatales continúan siendo una de las principales causas de morbimortalidad infantil a nivel mundial. En los últimos años, el Machine Learning ha emergido como una herramienta innovadora capaz de analizar grandes volúmenes de datos clínicos y contribuir a la detección temprana de enfermedades en recién nacidos. Objetivo: Analizar la evidencia científica disponible sobre el uso del Machine Learning en la detección temprana de complicaciones neonatales, identificando las principales patologías estudiadas, los algoritmos más utilizados y su rendimiento predictivo. Método: Se realizó una revisión bibliográfica con enfoque cualitativo y diseño documental. La búsqueda se efectuó en bases de datos científicas especializadas, seleccionando 12 estudios publicados entre 2023 y 2026 que abordaron aplicaciones de Machine Learning en neonatología. La información fue organizada y analizada mediante matrices de extracción de datos. Resultados: La sepsis neonatal fue la complicación más investigada, seguida de trastornos respiratorios, retinopatía del prematuro y mortalidad neonatal. Los algoritmos más utilizados fueron Random Forest, XGBoost, Support Vector Machine y Redes Neuronales Artificiales. Los modelos presentaron un alto rendimiento predictivo, con valores de AUC superiores a 0,80 y máximos cercanos a 0,98 en algunos estudios. Conclusión: El Machine Learning constituye una herramienta prometedora para fortalecer la detección temprana de complicaciones neonatales, mejorar la toma de decisiones clínicas y optimizar la atención en las unidades neonatales, aunque aún se requieren validaciones clínicas multicéntricas para su implementación generalizada.
Referencias
Campbell, J. P., Singh, P., Redd, T., Brown, J., Shah, P., Subramanian, P., ... Kalpathy-Cramer, J. (2021). Applications of artificial intelligence for retinopathy of prematurity screening. Pediatrics, 147(3), e2020016618. https://pmc.ncbi.nlm.nih.gov/articles/PMC7924138/pdf/PEDS_2020016618.pdf
Chi, Z., & Qin, Z. (2026). Early detection of neonatal infection in NICU using machine learning models: A retrospective observational cohort study. The Open Bioinformatics Journal, 19(1), Article 14. https://doi.org/10.2174/0118750362416494251124105928
García, J., Sierra, J., Espinoza, N., & Párraga, M. (2025). Aplicación de inteligencia artificial en unidades de cuidados intensivos pediátricos: Una revisión de la literatura. Ciencia y Reflexión, 4(4), 1936–1960. https://doi.org/10.70747/cr.v4i4.781
Jathanna, R., Acharya, D., Lewis, L., & Makkithaya, K. (2023). Early detection of late onset neonatal sepsis using machine learning algorithms. Engineered Science, 26, Article 976. https://doi.org/10.30919/es976
Kainth, D., Gupta, A., Singh, P., Prakash, S., Thukral, A., Deorari, A., ... Sankar, M. J. (2026). A machine learning model for prediction of early-onset neonatal sepsis in low-income and middle-income countries: Development and validation study. BMJ Paediatrics Open, 10(1), e003561. https://doi.org/10.1136/bmjpo-2025-003561
Kausch, S., Brandberg, J., Qiu, J., Panda, A., Binai, A., Isler, J., ... Sullivan, B. (2023). Cardiorespiratory signature of neonatal sepsis: Development and validation of prediction models in 3 NICUs. Pediatric Research, 93(7), 1913–1921. https://doi.org/10.1038/s41390-022-02444-7
Keles, E., & Bagci, U. (2023). The past, current, and future of neonatal intensive care units with artificial intelligence: A systematic review. NPJ Digital Medicine, 6(1), Article 220. https://doi.org/10.1038/s41746-023-00941-5
Kim, Y., Kim, H., Choi, J., Cho, K., Yoo, D., Lee, Y., ... Lee, N. (2023). Early prediction of need for invasive mechanical ventilation in the neonatal intensive care unit using artificial intelligence and electronic health records: A clinical study. BMC Pediatrics, 23(1), Article 525. https://doi.org/10.1186/s12887-023-04350-1
Kwok, C., Henry, C., Saffaran, S., Meeus, M., Bates, D., Van Laere, D., ... Sharkey, D. (2022). Application and potential of artificial intelligence in neonatal medicine. Seminars in Fetal and Neonatal Medicine, 27(5), Article 101346. https://doi.org/10.1016/j.siny.2022.101346
Matsushita, F., Krebs, V., & Carvalho, W. (2022). Artificial intelligence and machine learning in pediatrics and neonatology healthcare. Revista da Associação Médica Brasileira, 68, 745–750. https://doi.org/10.1590/1806-9282.20220177
O’Sullivan, C., Tsai, D., Wu, I., Boselli, E., Hughes, C., Padmanabhan, D., & Hsia, Y. (2023). Machine learning applications on neonatal sepsis treatment: A scoping review. BMC Infectious Diseases, 23(1), Article 1. https://doi.org/10.1186/s12879-023-08409-3
Rallis, D., Baltogianni, M., Kapetaniou, K., & Giapros, V. (2024). Current applications of artificial intelligence in the neonatal intensive care unit. BioMedInformatics, 4(2), 1225–1248. https://doi.org/10.3390/biomedinformatics4020067
Rao, N., Dadabada, P. K., & Jaipuria, S. (2024). A systematic literature review of predictive analytics methods for early diagnosis of neonatal sepsis. Discover Public Health, 21(1), Article 96. https://link.springer.com/content/pdf/10.1186/s12982-024-00219-5.pdf
Sahoo, N., Murugesan, B., Das, A., Karthik, S., Ram, K., Leonhardt, S., ... Sivaprakasam, M. (2022). Deep learning based non-contact physiological monitoring in neonatal intensive care unit. En 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 1327–1330). IEEE. https://arxiv.org/pdf/2207.11886
Schouten, J., Kalden, M., Van Twist, E., Reiss, I., Gommers, D., Van Genderen, M., & Taal, H. R. (2024). From bytes to bedside: A systematic review on the use and readiness of artificial intelligence in the neonatal and pediatric intensive care unit. Intensive Care Medicine, 50(11), 1767–1777. https://doi.org/10.1007/s00134-024-07629-8
Sullivan, B., Beam, K., Vesoulis, Z., Aziz, K., Husain, A., Knake, L., ... McAdams, R. (2024). Transforming neonatal care with artificial intelligence: Challenges, ethical consideration, and opportunities. Journal of Perinatology, 44(1), 1–11. https://doi.org/10.1038/s41372-023-01848-5
Sullivan, B., Moreira, A., McAdams, R., Knake, L., Husain, A., Qiu, J., ... Vesoulis, Z. (2025). Comparing machine learning techniques for neonatal mortality prediction: Insights from a modeling competition. Pediatric Research, 98(2), 405–411. https://www.nature.com/articles/s41390-024-03773-5.pdf
Tailleur, M., Lostanlen, V., Riviere, J.-P., & Aumond, P. (2024). Machine listening in a neonatal intensive care unit. arXiv. https://arxiv.org/pdf/2409.11439
Tan, X., Zhang, X., Chai, J., Ji, W., Ru, J., Yang, C., ... Xiong, Y. (2024). Constructing a predictive model for early-onset sepsis in neonatal intensive care unit newborns based on SHapley Additive exPlanations explainable machine learning. Translational Pediatrics, 13(11), 1933–1946. https://doi.org/10.21037/tp-24-278
Tudor, S., Bhatia, R., Liem, M., Wani, T., Boyd, J., & Khan, U. (2025). Opportunities and challenges of using artificial intelligence in predicting clinical outcomes and length of stay in neonatal intensive care units: Systematic review. Journal of Medical Internet Research, 27, e63175. https://doi.org/10.2196/63175
Yildirim, A., & Canayaz, M. (2024). Machine learning-based prediction of length of stay (LoS) in the neonatal intensive care unit using ensemble methods. Neural Computing and Applications, 36(23), 14433–14448. https://doi.org/10.1007/s00521-024-09831-7
Zhang, H., Wang, C., & Yang, N. (2024). Diagnostic performance of machine-learning algorithms for sepsis prediction: An updated meta-analysis. Technology and Health Care, 32(6), 4291–4307. https://doi.org/10.3233/THC-240087
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Patricia Graciela Nieto Gómez, Karely Maria Cabrera Villamar, Evelyn kuskaya Aguachela Paucar (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados en la revista se distribuyen bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esta licencia permite a terceros descargar, copiar, distribuir, adaptar y reutilizar una obra, incluso con fines comerciales, siempre que se otorgue el crédito adecuado al autor original.
