Resumen
La restricción del crecimiento fetal (RCF) afecta al 5-10% de los embarazos, siendo el mayor contribuyente a la muerte fetal, y puede tener consecuencias a largo plazo para el niño. La implementación de un sistema de clasificación clínica estándar se ve obstaculizada por el espectro multifenotípico de fetos pequeños con diferencias sustanciales en los riesgos perinatales. El aprendizaje automático y los datos multiómicos pueden potencialmente revolucionar la toma de decisiones clínicas en la RCF mediante la identificación de nuevos fenotipos.
En este trabajo, describimos un análisis de conglomerados de RCF basado en un método de aprendizaje automático imparcial. Nuestros resultados confirman la existencia de dos subtipos de RCF humana con características moleculares y clínicas distintas basadas en análisis multiómicos. Además, demostramos que los conglomerados generados por el aprendizaje automático superan significativamente el análisis de subtipos de datos individuales y respaldan biológicamente la clasificación clínica actual en la predicción de resultados maternos y neonatales adversos. Nuestro enfoque puede ayudar en el perfeccionamiento de los sistemas de clasificación clínica para la RCF respaldados por firmas moleculares y clínicas.
