Big Data y Mortalidad Materna: Reduciendo Riesgos con la Tecnología

Entre 2000 y 2023, UNICEF reportó una disminución del 40% en las tasas de mortalidad materna. Sin embargo, aún se registran aproximadamente 197 muertes por cada 100.000 nacidos vivos. Estas muertes maternas son más comunes entre mujeres de bajos y medios recursos socioeconómicos.

Estas estadísticas sirven como un recordatorio de si las innovaciones y los avances en el sistema de salud realmente están funcionando para las mujeres. Las muertes maternas son prevenibles. Las soluciones a este problema radican en el uso de grandes cantidades de datos, o “huge data”. Para comprender cómo podrían ser estas soluciones, es necesario entender qué es el “big data” y cuál puede ser su impacto real en las tasas de mortalidad materna.

¿Qué nos dicen las tasas actuales de mortalidad materna?

Si bien las tasas globales de mortalidad materna han disminuido, la última década ha visto un estancamiento en los esfuerzos por reducir aún más estas tasas. Solo en 2023 se registraron 260.000 muertes maternas², lo que significa que una mujer muere cada dos minutos debido a complicaciones relacionadas con el embarazo o el parto.

Entre 2016 y 2020, datos de la OMS mostraron³ que no hubo mejoras en las tasas de mortalidad materna en 150 países. Esto está poniendo en peligro el progreso hacia el Objetivo de Desarrollo Sostenible (ODS) 3.1, que busca reducir la mortalidad materna a 70 por cada 100.000 mujeres para el año 2030.

Este lento progreso afecta principalmente a países como África e India, así como a las comunidades de bajos recursos socioeconómicos dentro de otros países, como las mujeres hispanas y negras en Norteamérica. Estas realidades demográficas⁴ resaltan las desigualdades en la salud, ya que existen avances en el tratamiento médico, pero no están llegando a todos. Esta brecha se amplía cuando los brotes de enfermedades, las emergencias de salud pública y otros conflictos tienen prioridad sobre el bienestar de una mujer durante el embarazo.

Las principales causas de muerte materna incluyen la hemorragia posparto, los trastornos hipertensivos durante el embarazo y las infecciones. La sepsis, la embolia, la falta de acceso a centros de atención médica y las complicaciones de los abortos inseguros también contribuyen a las tasas de mortalidad materna.

¿Cuáles son las brechas que están aumentando las tasas de mortalidad materna?

La atención obstétrica de emergencia oportuna y de alta calidad puede marcar la diferencia entre la vida y la muerte para una mujer durante el embarazo y el parto. Sin embargo, existen varias razones por las que las mujeres no pueden recibir tratamiento que les salve la vida.

1. Retrasos, limitaciones y acceso inequitativo a la atención obstétrica: el acceso oportuno a la atención obstétrica y neonatal de emergencia puede reducir las muertes maternas entre un 15% y un 50%. Actualmente, millones de mujeres viven a más de un tiempo de viaje seguro de los centros de atención médica, donde pueden recibir opciones de parto seguro, realizar cesáreas, proporcionar transfusiones de sangre y administrar medicamentos que salven vidas. Estas limitaciones también afectan las tasas de mortalidad neonatal.

2. Deficiencias en la calidad de la atención, incluso para las mujeres que llegan a las instalaciones: la prevención oportuna de la hipertensión, la hemorragia, los uterotónicos profilácticos y los protocolos de sepsis son los pasos intrincados que conducen a un parto seguro. El monitoreo cercano durante las horas de trabajo de parto puede ayudar a prevenir emergencias inminentes que puedan ocurrir durante el parto. Si bien la mejora colaborativa de la calidad puede reducir las disparidades observadas en la morbilidad materna grave, ampliar estos esfuerzos ha sido el principal desafío.

3. Sistemas de información y circuitos de retroalimentación con pocos recursos: si bien los sistemas de vigilancia de la mortalidad materna y perinatal están en funcionamiento en muchos países, la notificación, la compatibilidad y la investigación a menudo no son adecuados. La mala calidad de los datos dificulta⁵ la acción en tiempo real y enmascara los patrones prevenibles.

4. Las crisis locales y globales están creando volatilidad en la financiación: un ejemplo reciente es la pandemia de COVID-19. Estas crisis locales pueden obstaculizar y deshacer muchos de los avances logrados en áreas como la salud materna. A menudo, puede empeorar las estadísticas actuales, ya que los recursos de atención médica⁶, como los servicios, el personal y los suministros, se desvían de la atención materna. Esto puede ser catastrófico en áreas frágiles y afectadas por conflictos.

5. Desigualdades sociales y estructurales: los determinantes sociales serían uno de los principales factores que afectan las tasas de mortalidad materna. La pobreza, las normas de género, la violencia de pareja, el nivel socioeconómico, las barreras de transporte, las restricciones legales y el racismo son solo algunos de los muchos obstáculos estructurales. Incluso la atención clínica accesible no puede superar estos obstáculos a menos que haya un cambio de política y la aplicación de reformas.

¿Qué es el “big data”? ¿Cómo está contribuyendo el “big data” a la salud de las mujeres?

El “big data” abarca todos los datos extensamente aportados por los registros electrónicos de salud, los registros, los sistemas de laboratorio y los conjuntos de datos sobre varios aspectos de la salud de las mujeres. Los conjuntos de datos requieren métodos sofisticados, como el aprendizaje automático y el procesamiento del lenguaje, para extraer información significativa de todos los datos recopilados.

En la atención del cáncer de mama⁷, los algoritmos de inteligencia artificial se están aplicando a las mamografías y las diapositivas de patología. Esto ha ayudado a reducir los falsos positivos y los falsos negativos, lo que permite una detección más precisa. De manera similar, con afecciones como el síndrome de ovario poliquístico (SOP), los modelos predictivos se están utilizando para mejorar el tiempo de diagnóstico, que puede tardar un promedio de 2 años⁸. La integración de datos hormonales, hallazgos ecográficos y antecedentes de las pacientes puede ofrecer una forma de acortar los retrasos en el diagnóstico de una afección que actualmente afecta a 1 de cada 10 mujeres en todo el mundo.

Los modelos para los procesos de aprendizaje automático se pueden entrenar utilizando datos de embarazo para predecir afecciones como la preeclampsia antes⁹. Esto a menudo es más preciso que los métodos tradicionales. La detección temprana puede favorecer las intervenciones oportunas. Modelos similares también se están utilizando para ayudar a los médicos a identificar a las mujeres con alto riesgo de hemorragia posparto¹⁰, lo que permite la preparación de productos sanguíneos y uterotónicos con anticipación.

La innovación ya está ayudando a cerrar las brechas en la salud de las mujeres. Pero la clave está en la escala y la accesibilidad.

¿De qué manera el “big data” puede ayudar a reducir las tasas de mortalidad materna?

El “big data” puede ayudar a que los sistemas funcionen de forma autónoma, incluso durante pandemias y otras crisis locales, lo que puede ayudar a prevenir o agravar las muertes maternas en todo el mundo. Al combinar registros clínicos, mapeo geoespacial y análisis predictivos, el riesgo de una mujer se puede identificar antes, fortaleciendo las respuestas del sistema de salud y responsabilizando a los proveedores por negligencia.

1. Predicción de riesgos y alerta temprana: como hemos visto anteriormente, los modelos de aprendizaje automático pueden ayudar a predecir complicaciones como la preeclampsia, la hemorragia posparto y la sepsis antes de que sean potencialmente mortales. Por ejemplo, los algoritmos entrenados con datos prenatales, como la presión arterial, los resultados de laboratorio y los datos demográficos, tienen más probabilidades de predecir la preeclampsia en comparación con las puntuaciones de riesgo tradicionales. Estos modelos se pueden integrar en los registros electrónicos de salud, especialmente entre poblaciones más grandes, para permitir que las predicciones se activen automáticamente, marcando los casos para derivarlos a instalaciones de nivel superior cuando sea necesario.

2. Continuidad de la atención: los modelos predictivos de “big data” también pueden identificar a las mujeres que tienen probabilidades de perder el seguimiento. Basándose en varios factores, como las finanzas, el transporte y la asistencia a otras citas, se pueden asignar recursos para garantizar la continuidad de la atención. Los trabajadores de la salud comunitarios pueden hacer un seguimiento periódico, brindando seguridad, que a menudo es un paso crucial que falta en el proceso. Vincular todos los datos cruciales, tanto prenatales como posnatales, puede ayudar a una transferencia sin problemas entre las instalaciones si es necesario.

3. Mejora del acceso a la atención médica a través de análisis geoespaciales: predecir emergencias es uno de los factores más importantes que contribuyen al riesgo de mortalidad materna. El modelado geoespacial combinado con el “big data” puede mapear los tiempos de viaje a las instalaciones de atención médica, donde las mujeres pueden recibir servicios que salven vidas, como cesáreas y transfusiones de sangre. Varios estudios han demostrado que las mujeres de todo el mundo viven a dos o más horas de dicha atención. Las inversiones específicas en transporte, casas de maternidad y la mejora de las instalaciones locales son formas sencillas de reducir las muertes maternas.

4. Estandarización de la atención de emergencia: para las mujeres que viven lejos, los conjuntos de datos pueden permitir que los hospitales construyan paneles de alerta temprana que monitoreen la pérdida de sangre, los signos vitales y los medicamentos en tiempo real en los centros de salud auxiliares. La atención se puede brindar en tiempo real en función del progreso durante el embarazo o el parto para prevenir resultados graves. Los modelos predictivos también pueden pronosticar los requisitos de productos sanguíneos, suministros de atención y otros equipos que salvan vidas en las instalaciones, evitando la búsqueda frenética de última hora en caso de emergencias. Los estudios piloto en los EE. UU. Han demostrado que los paquetes basados en datos reducen la morbilidad por hemorragia. Se pueden explorar enfoques similares a nivel mundial.

5. Vigilancia de la mortalidad materna: la notificación inconsistente de datos prenatales y posnatales es una de las principales dificultades que enfrentan la mayoría de las regiones. El “big data” puede digitalizar las revisiones de casos, codificar los casos con taxonomías estandarizadas y sintetizar automáticamente recomendaciones para que los equipos de salud las analicen. Los paneles de control públicos y digitales pueden rastrear si se tomaron y completaron medidas correctivas para proporcionar una capa adicional de responsabilidad. Esto garantiza que nadie quede atrás. La vigilancia regular y las actualizaciones del sistema garantizan que las mujeres no sigan siendo solo una estadística en el panel de control.

6. Abordar las desigualdades a través de datos vinculados: se observa una desproporcionalidad marcada en las muertes maternas entre las mujeres pobres, rurales y marginadas. Vincular los datos de salud con información relacionada con la pobreza, la accesibilidad y los conflictos regionales permite a los gobiernos priorizar las intervenciones para los grupos vulnerables. Las soluciones que puede proporcionar el “big data” son integrando los datos de las instalaciones con los mapas de pobreza, lo que puede ayudar a identificar las regiones donde se concentra la mortalidad materna. Esto puede ayudar, en cierta medida, a eliminar las barreras sociales que dificultan la atención médica.

En resumen

Si bien el “big data” por sí solo no resolverá la crisis de la mortalidad materna, puede ayudar de manera significativa a reducir las cifras. El “big data” predice el riesgo, garantiza la continuidad de la atención, optimiza el acceso y estandariza la respuesta de emergencia. La clave para el futuro es la voluntad operativa de generar un cambio para la salud de las mujeres, priorizando la equidad y la sostenibilidad.

Referencias

¹ UNICEF Data. (2025, April). Maternal mortality rates and statistics.
² UNICEF Data. (2025, April). Trends in maternal mortality 2000 to 2023.
³ Moyer, C. A. (2023, February 23). Stalled progress in reducing maternal mortality globally. The Lancet.
⁴ Souza, J. P., Tunçalp, Ö., Vogel, J. P., Bohren, M., Widmer, M., Oladapo, O. T., et al. (2023, December 6). A global analysis of the determinants of maternal health and transitions in maternal mortality. The Lancet Global Health.
⁵ Birabwa, C., Banke-Thomas, A., Semaan, A., van Olmen, J., Kananura, R. M., Arinaitwe, E. S., Waiswa, P., & Beňová, L. (2024). The quality of routine data for measuring facility-based maternal mortality in public and private health facilities in Kampala City, Uganda. Population Health Metrics, 22(22).
⁶ Reuters. (2025, April 6). Aid cuts could leave more women dying in pregnancy and birth, UN says.
⁷ McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. S., Darzi, A., Etemadi, M., Garcia-Vicente, F., Gilbert, F. J., Halling-Brown, M., Hassabis, D., Jansen, S., Karthikesalingam, A., Kelly, C. J., King, D., Ledsam, J. R., … Shetty, S. (2020, January 1). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89–94.
⁸ Gibson-Helm, M., Teede, H., Dunaif, A., & Dokras, A. (2017). Delayed diagnosis and a lack of information associated with dissatisfaction in women with polycystic ovary syndrome. The Journal of Clinical Endocrinology & Metabolism, 102(2), 604–612.
⁹ Ranjbar, A., Montazeri, F., Rezaei Ghamsari, S., Mehrnoush, V., Roozbeh, N., & Darsareh, F. (2024). Machine learning models for predicting preeclampsia: A systematic review. BMC Pregnancy and Childbirth, 24, Article 6.
¹⁰ Venkatesh, K. K., Strauss, R. A., Grotegut, C. A., Heine, R. P., Chescheir, N. C., Stringer, J. S. A., Stamilio, D. M., Menard, K. M., & Jelovsek, J. E. (2020). Machine learning and statistical models to predict postpartum hemorrhage. Obstetrics & Gynecology, 135(4), 935–944.