Rev. obstet. ginecol. Venezuela; 84 (2), 2024
Publication year: 2024
Objetivo:
Determinar si es posible predecir la valoración del recién nacido según el estado nutricional materno a través de un modelo de árbol de decisión. Métodos:
Estudio analítico transversal. Se revisaron 326 historias clínicas de gestantes de un hospital público peruano, 2021. Se valoró el recién nacido mediante el puntaje APGAR, edad gestacional al nacer, peso al nacer, peso y talla para la edad gestacional. El estado nutricional materno incluyó el índice de masa corporal pregestacional y la ganancia de peso gestacional. La predicción se realizó mediante un modelo de aprendizaje automático supervisado denominado “árbol de decisión”. Resultados:
No fue posible predecir mediante el estado nutricional materno, el puntaje APGAR al minuto y la talla para la edad gestacional. La probabilidad de tener edad gestacional a término al nacer es de 97,2 % cuando la ganancia
de peso gestacional es > 5,4 Kg (p = 0,007). Las probabilidades más altas de peso adecuado al nacer fueron con ganancia de peso gestacional entre 4,5 Kg (p < 0,001) y 17 Kg (p < 0,001) y con índice de masa corporal pregestacional ≤ 36,523 Kg/m2 (p = 0,004). Finalmente, la mayor probabilidad de peso adecuado para la edad gestacional es cuando la
ganancia de peso gestacional es ≤ 11,8 Kg (p < 0,001) y con un índice de masa corporal pregestacional ≤ 36,523 Kg/m2 (p = 0,005). Conclusiones:
Es posible predecir la valoración del recién nacido a partir del estado nutricional materno mediante un aprendizaje automático(AU)
Objective:
To determine whether it is possible to predict the assessment of the newborn according to maternal nutritional status through a decision tree model. Methods:
Cross-sectional analytical study. A total of 326 medical records of pregnant women from a Peruvian public hospital were reviewed, in 2021. The newborn was assessed using the APGAR score, gestational age at birth, birth weight, weight and height for gestational age. Maternal nutritional status included pregestational body mass index and gestational
weight gain. The prediction was made using a supervised machine learning model called a “decision tree.” Results: The APGAR score at one minute and height for gestational age were not possible to predict by maternal nutritional status. The probability of having full-term gestational age at birth is 97.2% when gestational weight gain is > 5.4 kg (p = 0.007). The highest probabilities of adequate birth weight were with gestational weight gain between 4.5 kg (p < 0.001) and 17 kg (p < 0.001) and with pregestational body mass index ≤ 36.523 kg/m2 (p = 0.004). Finally, the highest probability of adequate weight for gestational age is when gestational weight gain is < 11.8 Kg (p < 0.001) and with a pregestational body mass index ≤ 36.523 Kg/m2 (p = 0.005). Conclusions:
It is possible to predict the assessment of the newborn based on the mother’s nutritional status using machine learning(AU)