Embarazo adolescente: factores de riesgo y su incidencia en la muerte fetal
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente estudio de tipo cuantitativo, observacional y retrospectivo, analiza los factores de riesgo asociados a la mortalidad fetal en madres adolescentes en Ecuador. Se utilizaron datos secundarios del Instituto Nacional de Estadísticas y Censos (INEC, 2022) y se aplicaron técnicas de regresión logística binaria, junto con modelos de aprendizaje automático como XGBoost y LightGBM, para desarrollar modelos predictivos de alta precisión.
Los resultados indican que la edad gestacional es el principal factor protector: cada semana adicional reduce en un 8.5% la probabilidad de muerte fetal (OR = 0.915, IC 95%: 0.887–0.943, p < 0.001). Asimismo, se identificó un mayor riesgo de mortalidad fetal en madres con menos de cinco controles prenatales (OR = 3.24, IC 95%: 2.17–4.83) y en partos ocurridos fuera del entorno hospitalario (OR = 2.71, IC 95%: 1.88–3.91).
Los modelos predictivos mostraron alto rendimiento, siendo XGBoost el más preciso (AUC = 1.000), seguido de LightGBM (AUC = 0.9997). Estos hallazgos evidencian la necesidad de fortalecer la atención prenatal, mejorar la infraestructura hospitalaria y utilizar herramientas de inteligencia artificial para la detección temprana de embarazos de alto riesgo en poblaciones vulnerables.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
1. Derechos de autor
Las obras que se publican en 593 Digital Publisher CEIT están sujetas a los siguientes términos:
1.1. 593 Digital Publisher CEIT, conserva los derechos patrimoniales (copyright) de las obras publicadas, favorece y permite la reutilización de las mismas bajo la licencia Licencia Creative Commons 4.0 de Reconocimiento-NoComercial-CompartirIgual 4.0, por lo cual se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que:
1.1.a. Se cite la autoría y fuente original de su publicación (revista, editorial, URL).
1.1.b. No se usen para fines comerciales u onerosos.
1.1.c. Se mencione la existencia y especificaciones de esta licencia de uso.
Norma del Pilar Barreno-Layedra, Universidad Politécnica Estatal del Carchi - Ecuador
https://orcid.org/0000-0003-2910-3217
Norma del Pilar Barreno Layedra es docente en la Universidad de las Fuerzas Armadas ESPE, sede Latacunga, desde 2010. Poseo un Magíster en Matemática Básica y un Diploma Superior en Docencia en Matemáticas. Me interesa la educación en Álgebra, estadística, He publicado estudios sobre el impacto del software libre en la enseñanza, análisis de Fourier en motores y reconocimiento facial con inteligencia artificial. Mis trabajos han sido difundidos en revistas científicas y conferencias.
León Augusto Bourgeat-Terán, Universidad de las Fuerzas Armadas - ESPE - Ecuador
https://orcid.org/0009-0003-2457-7074
Augusto Bourgeat Terán es docente e investigador en la Universidad de las Fuerzas Armadas - ESPE, con una destacada trayectoria en ingeniería electrónica, estadística aplicada y machine learning. Posee una Maestría en Investigación e Innovación en Tecnologías de la Información por la Universidad Autónoma de Madrid, una Maestría en Matemática Aplicada por la Universidad San Francisco de Quito y un Magíster Ejecutivo en Dirección de Empresas con especialización en Gerencia Estratégica. Su experiencia docente abarca matemáticas, estadística avanzada y física, además de liderar proyectos de vinculación y dirigir investigaciones en maestrías. Ha publicado artículos sobre evaluación de proyectos, sistemas de posicionamiento global y enseñanza de la física. Actualmente, es responsable de la Sección de Gestión de Posgrados en la sede Latacunga de la ESPE.
Citas
Almache, G., Joel, C., & Isabel, E. (2025). Impact of the prenatal period and maternal role in university academic development : bibliographic review Repercusión del período prenatal y rol materno en el desarrollo académico universitario : revisión bibliográfica Resumen. 9(1), 1–27.
Berlanga-silvente, V. (2014). Cómo obtener un Modelo de Regresión Logística Binaria con SPSS. REIRE. Revista d’Innovació i Recerca En Educació, 7(8(2)), 105–118. https://doi.org/10.1344/reire2014.7.2727
Bezerra, I. M. P., Ramos, J. L. S., Pianissola, M. C., Adami, F., da Rocha, J. B. F., Ribeiro, M. A. L., de Castro, M. R., Bezerra, J. da F., Smiderle, F. R. N., Sousa, L. V. de A., Siqueira, C. E., & de Abreu, L. C. (2021). Perinatal mortality analysis in espírito santo, brazil, 2008 to 2017. International Journal of Environmental Research and Public Health, 18(21). https://doi.org/10.3390/ijerph182111671
Bhutta, Z. A., Ahmed, T., Black, R. E., Cousens, S., Dewey, K., Giugliani, E., Haider, B. A., Kirkwood, B., Morris, S. S., Sachdev, H., & Shekar, M. (2008). What works? Interventions for maternal and child undernutrition and survival. The Lancet, 371(9610), 417–440. https://doi.org/10.1016/S0140-6736(07)61693-6
Blencowe, H., Krasevec, J., de Onis, M., Black, R. E., An, X., Stevens, G. A., Borghi, E., Hayashi, C., Estevez, D., Cegolon, L., Shiekh, S., Ponce Hardy, V., Lawn, J. E., & Cousens, S. (2019). National, regional, and worldwide estimates of low birthweight in 2015, with trends from 2000: a systematic analysis. The Lancet Global Health, 7(7), e849–e860. https://doi.org/10.1016/S2214-109X(18)30565-5
Breiman, L. (2001). Random Forests. 45, 5–32.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13-17-Augu, 785–794. https://doi.org/10.1145/2939672.2939785
Dowswell, T., Carroli, G., Duley, L., Gates, S., Gülmezoglu, A. M., Khan-Neelofur, D., & Piaggio, G. (2015). Alternative versus standard packages of antenatal care for low-risk pregnancy. Cochrane Database of Systematic Reviews, 2015(7). https://doi.org/10.1002/14651858.CD000934.pub3
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010
Galeano, D. O., Orozco, F. A., & Urquia, M. L. (2023). Child marriage and perinatal health in Ecuador, 2015-2020; [Casamiento infantil y salud perinatal en Ecuador, 2015-2020]. Salud Colectiva, 19. https://doi.org/10.18294/SC.2023.4325
INEC. (2022). Ecuador - Estadística de Defunciones Fetales 2022 Información general. 3–9.
Instituto Nacional de Salud, & Ministerio de Salud. (2020). Mortalidad Perinatal y Neonatal Tardía, Colombia, 2020. Informe De Evento, 1–23. https://www.ins.gov.co/buscador-eventos/Informesdeevento/MORTALIDAD PERINATAL Y NEONATAL TARDÍA_2020.pdf
Mezmur, H., Assefa, N., & Alemayehu, T. (2021). An Increased Adverse Fetal Outcome Has Been Observed among Teen Pregnant Women in Rural Eastern Ethiopia: A Comparative Cross-Sectional Study. Global Pediatric Health, 8. https://doi.org/10.1177/2333794X21999154
Mohamed, S. M., Abonazel, M. R., & Ghallab, M. G. (2023). Performance Evaluation of Imputation Methods for Missing Data in Logistic Regression Model: Simulation and Application. Thailand Statistician, 21(4), 926–942.
Nuwabaine, L., Sserwanja, Q., Kamara, K., & Musaba, M. W. (2023). Prevalence and factors associated with teenage pregnancy in Sierra Leone: evidence from a nationally representative Demographic and Health Survey of 2019. BMC Public Health, 23(1), 1–8. https://doi.org/10.1186/s12889-023-15436-x
OMS. (2022). Embarazo en la adolescencia. Organización Mundial de La Salud. https://www.who.int/es/news-room/fact-sheets/detail/adolescent-pregnancy#
Ortiz, R. A., Otalora, M. F., Muriel, A. B., & Luna, D. A. (2018). Adolescencia como factor de riesgo para complicaciones maternas y neonatales. Revista Chilena de Obstetricia y Ginecologia, 83(5), 478–486. https:/www.scielo.cl/scielo.php?script=sci_arttext&pid=S0717-75262018000500478
Pupo Jimenez, J. M., Gonzáles Aguilar, J. C., Cabrera Lavernia, J. O., & Cedaño Tarncón, O. (2019). Factores de riesgo de morbilidad materna extrema en la unidad de cuidados intensivos. Multimed, 23(2), 280–296. https://doi.org/10.25100/cm.v50i4.4197
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine Learning in Medicine. New England Journal of Medicine, 380(14), 1347–1358. https://doi.org/10.1056/nejmra1814259
Ruth, D., Rengel, E. M., Suarez, R., Ana, D., Rojas Rodríguez, L., Yadira, D., Cueva, G., Elizabeth, R., & Rengel, M. (2020). Una mirada distinta al embarazo adolescente tfm. Recimundo.Com, 228–235. https://doi.org/10.26820/recimundo/4.(4).noviembre.2020.228-235
Wickham, M. H., Chang, W., & Wickham, M. H. (2016). Package “ggplot2”. Create elegant data visualizations using the grammer of graphics. Version, 2(1), 1–89.