Optimización de las curvas personalizadas de percentiles de peso fetal y neonatal del Hospital Universitario de Puerto Real

Abstract

La evaluación del crecimiento fetal y el estado nutricional del recién nacido son cruciales en el control obstétrico para prevenir resultados perinatales adversos. La herramienta clínica principal es el peso fetal estimado por ecografía, complementado por el índice ponderal de Röhrer en estudios epidemiológicos para valorar el estado nutricional al nacer. Para clasificar el crecimiento fetal, se utilizan curvas de percentiles: las de referencia o poblacionales (basadas en edad gestacional y sexo) y las customizadas o personalizadas (que incorporan características maternas y fetales para reflejar el potencial de crecimiento individual). El diagnóstico de alteraciones del crecimiento es difícil, y los métodos actuales pueden pasar por alto una proporción significativa de fetos con bajo peso o considerar fetos sanos como grandes para su edad gestacional. Nuestra investigación se sitúa en una línea de trabajo del Hospital Universitario de Puerto Real (HUPR), donde ya existía un modelo customizado. Sin embargo, se identificó una limitación en su capacidad predictiva con índice de masa corporal (IMC) maternos extremos (infrapeso y obesidad), este último frecuente en la zona. Esto motivó la búsqueda de un nuevo modelo matemático optimizado para la curva personalizada de nuestro hospital. Objetivos El objetivo principal es la construcción de un nuevo modelo matemático predictivo de peso al nacer (a término) de la curva customizada del Hospital Universitario de Puerto Real y comparar su rentabilidad diagnóstica con la ya existente y con INTERGROWTH21st. Además de comprobar si el factor corrector de IMC materno mejora la rentabilidad diagnóstica en gestantes con obesidad. Material y Método Se llevó a cabo un estudio observacional, retrospectivo, analítico y transversal de comparación de pruebas diagnósticas. La población de estudio incluyó gestantes atendidas en el HUPR entre enero de 2012 y enero de 2021. Los datos se obtuvieron del sistema informático DIRAYA. Tras aplicar criterios de inclusión (como datación certera y partos entre 32 y 42 semanas), la muestra final para validación fue de 6.767 gestaciones. Para construir el nuevo modelo predictivo de peso al nacer, se consideraron variables como peso y talla materna, paridad, sexo fetal y edad gestacional. Tras análisis estadísticos (bivariante y multivariante), la edad materna no fue significativa y se eliminó del modelo final. El modelo utiliza peso materno, talla materna, paridad, sexo del recién nacido y edad gestacional en días. Un cambio clave fue medir la edad gestacional en días (280-286 días para la generación del modelo) para mayor precisión. La capacidad diagnóstica se evaluó mediante métricas como sensibilidad, especificidad, valores predictivos, diagnostic Odds Ratio, y debido al desbalance de datos, Precision, Recall y F1 score, además de curvas ROC (Receiver Operating Characteristic). Resultados La muestra de validación fue de 6.767 gestaciones, con 9,89% de recién nacidos desnutridos (IP<p10) y 12.72% sobrenutridos (IP>p90). El nuevo modelo predictivo final incluyó peso y talla materna, paridad, sexo fetal y edad gestacional en días. La comparación de curvas mostró: En la población general, la curva customizada nueva tuvo métricas (Precision, Recall, F1) muy similares a la antigua para desnutrición (0,31, 0,42, 0,36 vs 0,31, 0,42, 0,36). Para sobrenutrición, la curva nueva (0,38, 0,35, 0,36) y INTERGROWTH-21st (0,35, 0,39, 0,37) mostraron mejor rendimiento que la antigua (0.37, 0.24, 0.29), especialmente en Recall y F1 score. Las áreas bajo la curva (AUC) de las curvas ROC en población general fueron muy cercanos entre curva.En la población obesa (IMC>30 kg/m2, N=979): • Para desnutrición, la curva antigua tuvo un Recall (0,58 vs 0,42) y F1 score (0,35 vs 0,32) ligeramente superiores, con AUC (0,803 vs 0,794) también un poco mayor. • Para sobrenutrición, la curva customizada nueva mostró un Recall (0,39 vs 0,20) y F1 score (0.42 vs 0.28) considerablemente mayores que la curva antigua, con un AUC de la curva nueva ligeramente superior (0,706 vs 0,700), indicando una mejor capacidad diagnóstica en este grupo para detectar sobrenutrición. Conclusiones El nuevo modelo matemático predictivo de peso al nacer a término para la curva customizada del Hospital Universitario de Puerto Real ha conseguido los objetivos de mejora de capacidad diagnóstica con respecto al modelo previo y se confirma que, tanto la curva customizada de percentiles del HUPR previa como la nueva e INTERGROWTH21st, clasifican de forma diferente a los recién nacidos. En la población general, este nuevo modelo mostró una rentabilidad diagnóstica similar a la curva customizada previa para detectar desnutrición neonatal, pero una mejor capacidad para identificar sobrenutrición. La contribución más destacada se observa en la población de gestantes obesas, donde el nuevo modelo customizado demostró una capacidad diagnóstica significativamente mejorada para la detección de sobrenutrición neonatal en comparación con el modelo antiguo. La inclusión de un factor corrector basado en el IMC materno fue crucial para esta mejora, especialmente en gestantes obesas. El amplio tamaño muestral (6.767 gestaciones) respalda la solidez de los hallazgos.

Introduction Fetal growth evaluation and assessment of neonatal nutritional status are fundamental components of obstetric care aimed at preventing adverse perinatal outcomes. Estimated fetal weight remains the principal clinical tool, while the Röhrer Ponderal Index (PI) is often employed in epidemiological studies to evaluate nutritional status at birth. Fetal growth classification relies on percentile curves, either reference or population-based (adjusted for gestational age and sex) or customized curves, which incorporate maternal and fetal characteristics to reflect the individual's growth potential. The latter approach seeks to distinguish true growth disorders, such as intrauterine growth restriction (IUGR), from constitutionally small-for-gestational-age (SGA) fetuses. The diagnosis of fetal growth disorders remains challenging, and current methodologies may fail to identify a substantial proportion of fetuses with low birth weight or may incorrectly classify constitutionally normal fetuses as large for gestational age (LGA). This study forms part of an ongoing research project at the Hospital Universitario de Puerto Real (HUPR), where a customized fetal growth model had previously been developed. However, its predictive performance was found to be limited in cases of extreme maternal body mass index (BMI), particularly among underweight and obese women, the latter being highly prevalent in our population. This limitation prompted the development of a new, optimized predictive model for birth weight to be integrated into the hospital’s customized curve. Objectives The primary objective of the present study was to construct a new mathematical model to predict birth weight at term for the updated customized curve at HUPR. Secondary objectives included comparing its diagnostic performance with the previous customized model and the INTERGROWTH-21st population standards and evaluating whether the inclusion of a corrective factor based on maternal BMI could improve diagnostic performance in obese pregnant women. Material and Method A retrospective, observational, analytical, and cross-sectional study design was employed, focusing on the comparison of diagnostic tests. The study population included pregnant women attended at HUPR between January 2012 and January 2021. Data were extracted from the DIRAYA electronic health record system. Following the application of inclusion criteria (accurate gestational dating and deliveries between 32 and 42 weeks of gestation), the final validation sample consisted of 6,767 women. Variables included for model development were maternal weight and height, parity, fetal sex, and gestational age. Maternal age was excluded from the final model due to its lack of statistical significance in multivariate analysis. Importantly, gestational age was measured in days (280–286 days for model generation) to enhance predictive precision. Results Diagnostic performance was assessed through sensitivity, specificity, positive and negative predictive values, Diagnostic Odds Ratio (DOR), as well as Precision, Recall, and F1-score metrics to account for class imbalance, complemented by analysis of receiver operating characteristic (ROC) curves. In the validation cohort, 9.89% of neonates were classified as undernourished (PI < 10th percentile) and 12.72% as overnourished (PI > 90th percentile). The final predictive model incorporated maternal weight, maternal height, parity, fetal sex, and gestational age in days. Curve comparisons yielded the following results: In the general population the new customized curve achieved diagnostic metrics (Precision, Recall, F1) very similar to the previous model for undernutrition (0.31, 0.42, 0.36 vs. 0.31, 0.42, 0.36). For overnutrition, the new customized curve (0.38, 0.35, 0.36) and the INTERGROWTH-21st curve (0.35, 0.39, 0.37) outperformed the previous customized curve (0.37, 0.24, 0.29), especially in Recall and F1 score. The areas under the ROC curves (AUCs) were very similar across models. In the obese population (BMI > 30 kg/m²; N=979): • For undernutrition, the previous customized curve had slightly higher Recall (0.58 vs. 0.42) and F1 score (0.35 vs. 0.32), along with a slightly larger AUC (0.803 vs. 0.794). • For overnutrition, the new customized curve showed substantially higher Recall (0.39 vs. 0.20) and F1 score (0.42 vs. 0.28) compared to the old curve. Although Precision was slightly lower (0.45 vs. 0.48), the AUC was marginally higher for the new model (0.706 vs. 0.700), suggesting an overall better diagnostic performance for detecting overnutrition in obese women. Conclusions The new predictive mathematical model of term birth weight for the customized curve of the Hospital Universitario de Puerto Real has successfully achieved its objective of improving diagnostic performance compared to the previous model. It confirms that the previous HUPR customized percentile curve, the new model, and the INTERGROWTH21st standards classify newborns differently. In the general population, the new model demonstrated a diagnostic yield similar to that of the previous customized curve for identifying neonatal undernutrition, but it exhibited superior capacity for detecting overnutrition. The most notable contribution emerged in the subgroup of obese pregnant women, where the new customized model showed a significantly enhanced diagnostic capacity for identifying neonatal overnutrition in comparison to the previous model. The inclusion of a corrective factor based on maternal body mass index was instrumental in this improvement, particularly in pregnancies complicated by maternal obesity. The large sample size (6,767 pregnancies) further strengthens the validity and robustness of these findings.