El papel exploratorio del modelado asistido por inteligencia artificial en la evaluación de la progresión del trabajo de parto: el valor de los parámetros ecográficos frente a la evaluación clínica Autores: Iustina Petra Solomon-Condriuc - Grigore T. Popa „University of Medicine and Pharmacy, Iasi (RO) Catalina Georgiana Tudor - Grigore T. Popa „University of Medicine and Pharmacy, Iasi (RO) Alexandru Carauleanu - Grigore T. Popa „University of Medicine and Pharmacy, Iasi (RO) Ramona Alexandra Ciausu - “Alexandru Ioan Cuza” University of Iasi (RO) Dorel Ureche - Vasile Alecsandri University of Bacau (RO) Demetra Gabriela Socolov - Grigore T. Popa „University of Medicine and Pharmacy, Iasi (RO) Resumen Este estudio analizó el potencial de la ecografía intraparto, mejorada mediante interpretación basada en inteligencia artificial (IA), para optimizar la evaluación de la progresión del trabajo de parto en comparación con el examen clínico estándar. Métodos: Se analizaron dos bases de datos recopiladas prospectivamente en el Cuza Voda Clinical Hospital of Obstetrics and Gynecology: una en la sala de partos (Eco in Birth Room, 2023–2024) y otra durante el trabajo de parto (Eco during Labour, 2021–2022). Se recuperaron y compararon con los resultados clínicos, especialmente con la vía del parto —vaginal o cesárea—, las siguientes características ecográficas: distancia cabeza-periné (HPD, cm), ángulo de progresión (AoP, °), distancia cabeza-sínfisis (HSD, cm) y estación fetal evaluada clínicamente. Los datos se analizaron utilizando R 4.4.2 con los paquetes tidyverse, readxl, janitor y stats, y los modelos de regresión logística se ajustaron mediante stats::glm(). No se utilizaron imágenes ecográficas ni conjuntos completos de datos de imagen, ni se aplicaron algoritmos de segmentación, ya que el modelo dependió exclusivamente de mediciones cuantitativas adquiridas manualmente. El rendimiento predictivo se evaluó mediante una exactitud de clasificación simple, basada en la proporción de vías de parto correctamente predichas dentro del mismo conjunto de datos, sin validación cruzada. Esta métrica de exactitud tiene un carácter exploratorio y pretende demostrar la utilidad potencial del modelado cuantitativo asistido por IA. La elección de la regresión logística permitió una mayor transparencia e interpretabilidad clínica, facilitando así la reproducibilidad y la posible aplicabilidad prospectiva junto a la paciente. Resultados: El conjunto de datos Eco during Labour (n = 124) mostró una HPD media de 3,65 ± 1,29 y un AoP medio de 124,35 ± 16,18°. El conjunto Eco in Birth Room (n = 10) mostró una HPD media de 4,33 ± 1,48 y un AoP medio de 112,70 ± 19,68°. La regresión logística determinó que el aumento de la HPD se asociaba con una probabilidad significativamente menor de parto vaginal y una probabilidad mayor de cesárea (β = -4,71; EE = 1,17; p < 0,001). El AoP presentó una correlación inversa significativa con el parto por cesárea (β = -0,25; EE = 0,10; p < 0,001). Cada incremento de un grado en el AoP se asoció con una reducción del 23 % en las probabilidades de cesárea (OR = 0,77; IC del 95 %: 0,66–1,00), lo que demuestra su importancia como indicador fiable de la progresión del trabajo de parto. Conclusión: Las métricas derivadas de la ecografía, especialmente la HPD y el AoP, proporcionan indicadores objetivos y cuantitativos del descenso fetal que superan al examen clínico tradicional. El análisis ecográfico asistido por IA puede permitir una monitorización continua y reproducible de la dinámica del trabajo de parto, contribuyendo a una atención obstétrica más individualizada.