En un caso ficticio, una mujer de 24 años llega por primera vez a un puesto de salud rural, en una región sin ultrasonografista. Ella cree que está embarazada "de unos cinco o seis meses", pero no recuerda la fecha de la última menstruación. La altura uterina sugiere algo entre 22 y 26 semanas. La enfermera obstétrica del puesto recibió un día de entrenamiento con una sonda portátil conectada a una tablet: desliza la sonda sobre el abdomen en líneas rectas, sin buscar ninguna estructura, y un programa de inteligencia artificial devuelve una estimación de la edad gestacional.

La escena describe lo que algunos estudios ya probaron. La Organización Mundial de la Salud (OMS) recomienda una ecografía antes de las 24 semanas de gestación para estimar la edad gestacional, mejorar la detección de anomalías fetales y de embarazo múltiple y reducir la inducción por embarazo prolongado (OMS, atención prenatal, 2016). Donde faltan personas que sepan hacer e interpretar el examen, esa recomendación es difícil de cumplir.

Este texto usa a la OMS como eje y reúne los principales estudios sobre barridos a ciegas leídos por IA para responder a dos preguntas: qué tan cerca del ultrasonido convencional llega esa estimación, y en qué situaciones todavía no merece confianza.

Puntos principales

• En el estudio de Pokaprakarn y colaboradores, el modelo de IA estimó la edad gestacional con un error absoluto medio de 3,9 días, frente a 4,7 días de la biometría hecha por ultrasonografistas (Pokaprakarn et al., 2022).
• En un estudio prospectivo con usuarias sin experiencia previa, la herramienta integrada a la sonda fue equivalente al ultrasonido estándar entre las 14 y las 27 semanas, con 3,2 días de error medio frente a 3,0 días (Stringer et al., 2024).
• Cerca del término, entre las 37 y las 40 semanas, el error de la IA fue mayor que el del ultrasonido estándar, y los autores no recomiendan la herramienta en esa fase (Stringer et al., 2024).
• En Chicago y Nairobi, con otro modelo de sonda y operadores nuevos, el sistema mantuvo un error medio de 4,2 días, sin ser inferior al estándar clínico (Willis et al., 2026).
• Profesionales de países africanos consultados sobre el tema mostraron interés en la datación automática, pero también preocupación por la precisión del algoritmo y por la dependencia excesiva de la máquina (Della Ripa et al., 2025).

• Por qué importa la edad gestacional
• Cómo se estima la edad gestacional sin ultrasonido
• Qué es el barrido a ciegas
• Qué mostraron los estudios de base
• Desempeño fuera de los lugares de origen
• Dónde sigue fallando la herramienta
• Implementación: quién opera y qué cambia en el servicio
• Cómo NEXO ayuda a entrenar ese razonamiento
• Preguntas frecuentes
• Take-home messages

Por qué importa la edad gestacional

Casi todas las decisiones del control prenatal dependen de saber cuánto tiempo lleva embarazada la mujer. La edad gestacional define si un parto es prematuro, cuándo ofrecer intervenciones que tienen una ventana determinada y cuándo un embarazo pasó del término. La OMS define como prematuro el nacimiento antes de las 37 semanas completas y estima 13,4 millones de nacimientos prematuros en 2020, más de uno de cada diez nacimientos (OMS, Preterm birth).

El peso de esa cifra es desigual. La misma nota descriptiva informa que las complicaciones de la prematuridad son la principal causa de muerte de niños menores de cinco años y que cerca de 900 mil niños murieron por esa causa en 2019 (OMS, Preterm birth). En países de bajos ingresos, más del 90 por ciento de los bebés extremadamente prematuros muere en los primeros días de vida, frente a menos del 10 por ciento en los países de altos ingresos (OMS, Preterm birth).

Para actuar ante un trabajo de parto prematuro, el equipo necesita saber si de hecho es prematuro. La OMS incluye entre los cuidados posibles los corticoides antenatales en determinadas situaciones, y cita la ecografía antes de las 24 semanas, prevista en las recomendaciones de control prenatal, como forma de ayudar a determinar la edad gestacional y a detectar embarazo múltiple (OMS, Preterm birth). Sin una fecha confiable, esas decisiones quedan basadas en estimaciones frágiles.

El calor extremo es un ejemplo de exposición en la que la edad gestacional entra en el razonamiento: el riesgo de parto prematuro asociado al calor solo puede medirse y acompañarse cuando se sabe en qué semana está el embarazo.

Qué recomienda la OMS en el control prenatal

Las recomendaciones de 2016 elevaron de cuatro a ocho el número de contactos en el control prenatal e incluyeron una ecografía antes de las 24 semanas (OMS, atención prenatal, 2016). El texto de la OMS también prevé que matronas y otros profesionales capacitados ofrezcan ese cuidado, incluso en acciones en la comunidad, y cita la redistribución de tareas entre profesionales como estrategia (OMS, atención prenatal, 2016).

Stringer y colaboradores describen esa recomendación de ecografía antes de las 24 semanas como, en gran medida, una aspiración en los países de renta baja y media (Stringer et al., 2024). La revisión sistemática de Schott y colaboradores afirma que casi la mitad de las gestantes de esos países no se hace ninguna ecografía durante el embarazo (Schott et al., 2026).

Cómo se estima la edad gestacional sin ecografía

Cuando no hay ecografía, quedan la fecha de la última menstruación y la altura uterina. Ambas fallan con frecuencia. En el estudio de Stringer, entre las participantes que recordaban la fecha de la última menstruación, el error medio de esa estimación fue de 7,4 días, y el de la altura uterina, de 7,1 días, frente a unos 3,2 días de la herramienta de IA (Stringer et al., 2024). Veintitrés mujeres de ese estudio no recordaban la fecha.

El problema aumenta porque la primera consulta muchas veces ocurre tarde. En Lusaka, Zambia, la edad gestacional mediana en la primera consulta de control prenatal era de 23 semanas, y más de 100 mil embarazos por año se seguían con una datación poco precisa (Pokaprakarn et al., 2022). Stringer y colaboradores, con datos de Zambia, relatan que el 85 por ciento de las primeras consultas ocurren hasta las 27 semanas y el 97 por ciento hasta las 36 semanas (Stringer et al., 2024).

Por qué la precisión cae con el avance del embarazo

La ecografía convencional también pierde precisión con el tiempo. En el primer trimestre, la longitud cefalocaudal predice la edad gestacional con una precisión de 3 a 7 días; después de las 14 semanas, esa medida deja de usarse y la biometría combina otras medidas fetales (Benson et al., 2025). Benson y colaboradores resumen la literatura: la precisión de la biometría es de más o menos 7 a 10 días hasta las 24 semanas, de 10 a 14 días entre las 24 y las 28 semanas y de 21 a 30 días en el tercer trimestre (Benson et al., 2025).

Qué es el barrido a ciegas

En el barrido a ciegas, quien sostiene la sonda no busca el feto ni mide estructuras. La persona pasa el transductor sobre el abdomen con un patrón fijo, en líneas verticales y horizontales, y graba videos cortos. En el estudio de Pokaprakarn, cada barrido duraba unos 10 segundos (Pokaprakarn et al., 2022). El trabajo de interpretar las imágenes queda con el modelo de IA, entrenado con grandes volúmenes de video.

La idea separa dos habilidades que la ecografía convencional junta: adquirir buenas imágenes e interpretarlas. Gomes y colaboradores describen un protocolo de seis barridos que puede hacer gente con pocas horas de entrenamiento y muestran que dos de los seis barridos bastaron para mantener la precisión de la estimación (Gomes et al., 2022).

Del video al número

El modelo descrito por Pokaprakarn se entrenó con 109.806 barridos de 3.509 participantes, en un total de más de 21 millones de cuadros de imagen (Pokaprakarn et al., 2022). En vez de medir cabeza, abdomen y fémur, analiza los videos enteros. Los autores reconocen que no saben qué características de la imagen usa el modelo para llegar a la estimación (Pokaprakarn et al., 2022).

Qué mostraron los estudios de base

El estudio de Pokaprakarn y colaboradores, publicado en 2022, usó datos de la cohorte FAMLI, con 4.695 participantes de Carolina del Norte, en Estados Unidos, y de Zambia, reclutadas entre 2018 y 2021 (Pokaprakarn et al., 2022). En el conjunto principal de prueba, con 716 participantes, el error absoluto medio del modelo fue de 3,9 días, frente a 4,7 días de la biometría, una diferencia de 0,8 días a favor del modelo (intervalo de confianza del 95 por ciento, de 0,5 a 1,1 días) (Pokaprakarn et al., 2022).

La proporción de estimaciones con un error de hasta 7 días fue del 86,0 por ciento con el modelo y del 77,0 por ciento con la biometría (Pokaprakarn et al., 2022). La ventaja apareció sobre todo en el tercer trimestre, con 1,3 días de diferencia. En los embarazos por fertilización in vitro, en los que se conoce la fecha de concepción, el modelo tuvo un error de 2,8 días frente a 3,6 de la biometría, pero con solo 47 participantes la diferencia no fue estadísticamente significativa (Pokaprakarn et al., 2022).

Enfermeras sin formación en ecografía

El mismo trabajo incluyó un conjunto de 249 participantes en Zambia cuyas ecografías fueron realizadas por ocho enfermeras obstétricas sin formación en ecografía, con una sonda portátil sencilla (Pokaprakarn et al., 2022). En ese grupo, el error del modelo fue de 4,9 días, frente a 5,4 de la biometría, una diferencia que no alcanzó significación. Comparado con la fecha de la última menstruación, sin embargo, el modelo se equivocó en promedio 4,9 días, frente a 17,4 días de la fecha menstrual (Pokaprakarn et al., 2022).

Con la herramienta, el 75,1 por ciento de las estimaciones quedaron a hasta 7 días de la referencia, frente al 40,1 por ciento de las estimaciones por la última menstruación (Pokaprakarn et al., 2022).

La prueba prospectiva con usuarias novatas

El estudio de Stringer y colaboradores, publicado en 2024, probó la herramienta ya integrada en una sonda portátil y una tablet, operada en tiempo real por personas sin experiencia en ecografía, que recibieron un día de formación (Stringer et al., 2024). Participaron 400 gestantes de Lusaka y de Chapel Hill, y la referencia fue la medida de la longitud craneocaudal por vía transvaginal en el primer trimestre.

En la ventana principal, de 14 a 27 semanas, el error medio fue de 3,2 días con la IA y de 3,0 días con la ecografía estándar, una diferencia de 0,16 días dentro del margen de equivalencia de dos días (Stringer et al., 2024). Las estimaciones a hasta 7 días de la referencia fueron del 90,7 por ciento con la IA y del 92,5 por ciento con el estándar, y hubo un único fallo de la herramienta en 400 participantes (Stringer et al., 2024). Entre las 28 y las 36 semanas, el error de la IA fue de 6,1 días, frente a 7,1 del estándar, también dentro de la equivalencia.

Comparación entre los principales estudios

Estudio	Lugar y operador	Comparación	Resultado principal
Pokaprakarn 2022	Carolina del Norte y Zambia; ecografistas	IA frente a biometría	Error de 3,9 frente a 4,7 días; hasta 7 días en el 86,0 frente al 77,0 por ciento
Pokaprakarn 2022	Zambia; enfermeras sin formación en ecografía	IA frente a última menstruación	Error de 4,9 frente a 17,4 días; hasta 7 días en el 75,1 frente al 40,1 por ciento
Gomes 2022	Estados Unidos y Zambia; ecografistas y novatos	IA en el celular frente a biometría	Diferencia de 1,4 días a favor de la IA, sin inferioridad
Stringer 2024	Zambia y Estados Unidos; novatas con un día de entrenamiento	IA en tiempo real frente a ecografía estándar	De 14 a 27 semanas, error de 3,2 frente a 3,0 días; hasta 7 días en el 90,7 frente al 92,5 por ciento
Willis 2026	Chicago y Nairobi; novatos, otro modelo de sonda	IA adaptada frente a estándar clínico	Error de 4,2 frente a 4,5 días, sin inferioridad
Eisenkolb 2026	Londres; ecografistas expertos, 11 a 13 semanas	IA frente a longitud craneocaudal	Error de 2,1 días, con menor precisión que la medida estándar

Las referencias y los diseños difieren entre los estudios, y por eso la tabla sirve para orientar la lectura, y no para sumar resultados.

Desempeño fuera de los lugares de origen

Un modelo que funciona donde fue entrenado puede fallar en otro hospital, con otra población u otro aparato. Willis y colaboradores probaron exactamente eso: el sistema entrenado con datos de Carolina del Norte y de Zambia se evaluó en Chicago y en Nairobi, con operadores novatos y una sonda de otro fabricante (Willis et al., 2026). La adaptación usó datos de 120 participantes de Chicago, y ningún dato de Nairobi.

Entre 385 participantes de 16 a 36 semanas, el error medio fue de 4,1 días en Chicago y de 4,3 días en Nairobi, y el conjunto quedó en 4,2 días frente a 4,5 días del estándar clínico, sin inferioridad (Willis et al., 2026). La tasa de ecografías rechazadas por el sistema fue del 1,8 por ciento en Nairobi y del 7,9 por ciento en Chicago, y los autores plantean la hipótesis de que las cerca de seis horas de entrenamiento práctico en Nairobi hayan mejorado la calidad de las imágenes (Willis et al., 2026).

Otros modelos y el primer trimestre

Hay otros enfoques además de las ecografías estandarizadas. Benson y colaboradores entrenaron un modelo con más de dos millones de imágenes de 78.531 gestaciones de Australia, India y Reino Unido, capaz de estimar la edad gestacional a partir de cualquier imagen fetal, en cualquier orientación, y de informar la incertidumbre de cada estimación (Benson et al., 2025). En la validación independiente, el error fue de 1,7 días entre 14 y 18 semanas y de 2,8 días entre 18 y 24 semanas, y el desempeño se mantuvo entre categorías de índice de masa corporal.

En el primer trimestre, Eisenkolb y colaboradores evaluaron 285 gestaciones únicas en un hospital de Londres, con ecografías no dirigidas entre 11 y 13 semanas (Eisenkolb et al., 2026). El error medio respecto a la longitud cefalocaudal fue de 2,1 días, pero la IA fue menos precisa que la medida hecha por ecografistas experimentados. Los propios autores señalan que el estudio, de centro único y con clínicos certificados, no fue diseñado para evaluar el uso por novatos ni en países de renta baja y media (Eisenkolb et al., 2026).

Qué dicen las revisiones

El metaanálisis de Naz y colaboradores incluyó 17 estudios y reunió datos de 10 de ellos (Naz et al., 2025). Con videos de ecografía a ciegas, el error medio combinado fue de 2,55 días, pero el cálculo reunió solo cuatro estudios, con intervalo de confianza de menos 0,13 a 5,23 días y heterogeneidad del 100 por ciento (Naz et al., 2025). Los autores califican la experiencia de preliminar y señalan la falta de estudios en el primer trimestre.

La revisión sistemática de Schott y colaboradores reunió 14 estudios y encontró errores medios de 3 a 5 días a mitad de la gestación, con un desempeño comparable o superior al de los ecografistas (Schott et al., 2026). La misma revisión registra menor precisión al final del embarazo y validación limitada al inicio de la gestación y en la detección de anomalías, y concluye que la adopción clínica exige una validación más amplia, mejor capacidad de interpretación de los modelos e integración a los sistemas de salud.

Dónde sigue fallando la herramienta

Los límites aparecen en los propios artículos y merecen el mismo peso que los resultados. El más importante para la práctica es el término. Entre 37 y 40 semanas, en el estudio de Stringer, el error medio de la IA fue de 11,5 días, frente a 9,1 días de la ecografía estándar, y el resultado se consideró no concluyente (Stringer et al., 2024). Los autores no recomiendan la herramienta en esa fase.

Pokaprakarn y colaboradores reportan datos escasos después de 37 semanas y una tendencia a subestimar la edad gestacional en ese rango en el grupo de enfermeras novatas (Pokaprakarn et al., 2022). Willis y colaboradores también observaron un desempeño variable después de 36 semanas y plantean que parte de la diferencia puede venir de inconsistencias en la propia referencia (Willis et al., 2026).

En el otro extremo, el estudio de Pokaprakarn casi no tenía exámenes antes de 9 semanas, y el modelo no genera estimaciones por debajo de eso (Pokaprakarn et al., 2022). Gomes y colaboradores también tenían pocos videos antes de 12 semanas y después de 37 semanas, y afirman que no pueden garantizar que los modelos se generalicen a esos rangos (Gomes et al., 2022).

Poblaciones que quedaron fuera

Los estudios excluyeron o tuvieron pocos datos de grupos en los que la datación suele ser más difícil. Los principales puntos de atención descritos por los autores son estos:

• Stringer excluyó a mujeres con índice de masa corporal de 40 o más, gestaciones gemelares y anomalías conocidas, y estudió una población general, sin foco en hipertensión, diabetes u obesidad grave (Stringer et al., 2024).
• En el mismo estudio, entre 97 mujeres con índice de masa corporal superior a 30, el error de la IA fue de 3,8 días frente a 3,1 del estándar, en un análisis de subgrupo sin prueba de hipótesis (Stringer et al., 2024).
• Schott y colaboradores observan que medir dos fetos en una ecografía a ciegas exige identificar y rotular a cada uno, una tarea para la cual los modelos actuales no fueron diseñados (Schott et al., 2026).
• Willis y colaboradores describen muestras pequeñas para gestación múltiple y para extremos de peso fetal (Willis et al., 2026).

Qué no reemplaza la estimación

La estimación de la edad gestacional responde a una pregunta. No confirma dónde está implantado el embarazo, no evalúa la anatomía fetal y no sustituye la investigación de sangrado o dolor al inicio de la gestación, que es el tema de embarazo ectópico, beta-hCG e incertidumbre. Stringer y colaboradores afirman que la precisión de la herramienta en presencia de anomalías fetales no puede determinarse con los datos del estudio (Stringer et al., 2024).

La revisión de Schott defiende que la IA se vea como complemento, y no como sustituta, de la competencia clínica (Schott et al., 2026). Pokaprakarn y colaboradores reconocen que la tecnología puede percibirse como una amenaza para la formación de capacidad diagnóstica local y que la forma de difusión aún requiere estudio (Pokaprakarn et al., 2022). También recuerdan que no hubo una cohorte de validación externa en sentido estricto en el trabajo original.

Cuando la duda de la gestante se refiere a exámenes de imagen que usan radiación, el razonamiento es otro, y está descrito en el texto sobre radiación en el embarazo y asesoramiento.

Implementación: quién opera y qué cambia en el servicio

La tecnología solo ayuda si encaja en el servicio. Della Ripa y colaboradores escucharon a 41 parteras, médicos, investigadores e implementadores de programas, con foco en quienes viven o trabajan en países africanos de renta baja y media, sobre un prototipo de ecografía portátil con IA (Della Ripa et al., 2025). La datación automática fue una de las funciones que despertaron más interés, junto con la preocupación por la precisión del algoritmo y por la pérdida de razonamiento clínico debido a una dependencia excesiva de la máquina.

Los participantes coincidieron en general en que la ecografía portátil estándar y la que usa IA podrían mejorar la adherencia al control prenatal, con 75 y 65 por ciento de acuerdo, respectivamente, y la confianza de los profesionales en las decisiones clínicas, con 85 y 70 por ciento (Della Ripa et al., 2025). La IA generó siempre más incertidumbre que la ecografía estándar. Los temas planteados incluyeron el reparto de tareas con parteras, el contenido de la formación, la seguridad de los datos, la responsabilidad legal y la necesidad de apoyo a la decisión y de una red de referencia para que el examen cambie los desenlaces.

La estimación como puerta de entrada a otras decisiones

La edad gestacional también abre camino a otras intervenciones con una ventana definida. El protocolo de Swarray Deen y colaboradores describe un estudio con 969 gestantes en 13 servicios de Ghana, Kenia y Sudáfrica, en el que parteras entrenadas harán ecografías con un sistema de IA entre las 11 y las 13 semanas, comparadas con la medición de ecografistas (Swarray Deen et al., 2026). El objetivo es apoyar el cribado de riesgo de preeclampsia, que depende de una datación correcta.

Según ese protocolo, la OMS recomienda ofrecer aspirina a las mujeres con riesgo moderado o alto de preeclampsia, preferiblemente antes de las 20 semanas (Swarray Deen et al., 2026). Como aún es un protocolo, los resultados no están disponibles, y el estudio ilustra la siguiente pregunta del área: si la estimación hecha por quien no es especialista es lo bastante buena para guiar una decisión clínica con plazo.

Quién se beneficia de la herramienta

Los estudios se diseñaron para lugares donde no hay ecografista, y no para sustituir exámenes donde existen. Stringer y colaboradores concluyen que, entre las 14 y las 37 semanas, la ecografía portátil con IA permitió que usuarias sin formación previa en ecografía estimaran la edad gestacional con la misma precisión que ecografistas acreditados usando equipos de alta especificación (Stringer et al., 2024). Los estudios de base fueron financiados en parte por una fundación filantrópica y contaron con sondas donadas por el fabricante, información que los propios artículos declaran (Pokaprakarn et al., 2022).

Para quien estudia el tema, la distinción entre este tipo de IA, que lee imágenes, y los modelos de lenguaje usados en el apoyo al diagnóstico ayuda a leer cada evidencia en su contexto. El uso de modelos de lenguaje se discute en inteligencia artificial en el razonamiento clínico, y un ejemplo de modelo predictivo en otra especialidad está en IA en nefrología.

Volviendo al caso

La mujer del inicio no recuerda la última menstruación, y la altura uterina da un rango de cuatro semanas. Con el barrido a ciegas leído por IA, la enfermera tiene una estimación que, entre 14 y 27 semanas, se acercó al ultrasonido estándar en los estudios de validación (Stringer et al., 2024). Esa fecha pasa a orientar el calendario de las próximas consultas y permite reconocer, más adelante, si un trabajo de parto es prematuro.

La estimación no responde si la gestación es gemelar, si hay anomalías o dónde está la placenta. Si la paciente vuelve cerca del término, la herramienta no debe usarse para volver a datar el embarazo, porque el error fue mayor en esa fase (Stringer et al., 2024). El registro de la edad gestacional obtenida ahora, a la mitad del embarazo, vale más que cualquier estimación tardía.

Cómo ayuda NEXO a entrenar ese razonamiento

En NEXO, el caso del día es ficticio, con presentación clínica real y hasta seis pistas progresivas, y tú propones el diagnóstico buscando el código en la CIE-10. Saber cuánto confiar en una fecha de última menstruación vaga, en una altura uterina o en una estimación automática exige el mismo ejercicio: pesar cada pista nueva y revisar la hipótesis, como en el entrenamiento del diagnóstico diferencial con pistas.

Los límites de uso del juego están descritos en la página de economía de NEXO. Si investigas la enseñanza del razonamiento clínico, la página para Researcher explica cómo entrar en contacto. Los profesionales que escriben o revisan casos encuentran información en Curator y en Creators, y las instituciones pueden conocer la propuesta en la página para alianzas. Buscar el código correcto en la CIE-10 completa ese entrenamiento.

Preguntas frecuentes

¿La IA en el ultrasonido sustituye al ultrasonografista?

Los estudios no sostienen esa conclusión. La herramienta estima la edad gestacional, pero no evalúa anatomía, placenta o gestación múltiple, y la revisión de Schott y colaboradores la describe como complemento de la competencia clínica (Schott et al., 2026).

¿Cuánto entrenamiento se necesita para hacer el barrido a ciegas?

En el estudio de Stringer, las usuarias sin experiencia recibieron un día de entrenamiento (Stringer et al., 2024). En Nairobi, cerca de seis horas de entrenamiento práctico se asociaron a menos barridos rechazados que el entrenamiento informal de Chicago (Willis et al., 2026).

¿La estimación funciona al final del embarazo?

Funciona peor. Entre 37 y 40 semanas, el error medio fue de 11,5 días con la IA y de 9,1 días con el ultrasonido estándar, y los autores no recomiendan la herramienta en esa fase (Stringer et al., 2024).

¿Y al comienzo de la gestación?

Los datos son escasos. El modelo de Pokaprakarn no estima por debajo de 9 semanas (Pokaprakarn et al., 2022), y el metaanálisis de Naz y colaboradores encontró un único estudio en el primer trimestre (Naz et al., 2025). Entre 11 y 13 semanas, un estudio de centro único mostró un error de 2,1 días, con menor precisión que la medida estándar (Eisenkolb et al., 2026).

¿El sistema necesita internet?

La versión descrita por Gomes y colaboradores funciona en el celular, sin conexión, y entrega el resultado en menos de 3 segundos después del barrido (Gomes et al., 2022).

Mensajes clave

• Recuerda que la OMS recomienda un ultrasonido antes de 24 semanas para estimar la edad gestacional, una recomendación difícil de cumplir donde falta ultrasonografista (OMS, atención prenatal, 2016).
• Entre 14 y 27 semanas, los barridos a ciegas hechos por novatas y leídos por IA fueron equivalentes al ultrasonido estándar en un estudio prospectivo (Stringer et al., 2024).
• Compara la estimación por IA con lo que tienes de hecho: frente a la última menstruación, el error bajó de 17,4 a 4,9 días en el grupo de enfermeras novatas (Pokaprakarn et al., 2022).
• Evita usar la herramienta para datar el embarazo cerca del término, fase en la que el error fue mayor que el del examen estándar (Stringer et al., 2024).
• Ten en cuenta que los gemelares, la obesidad grave y las anomalías quedaron fuera o fueron poco estudiados (Stringer et al., 2024).
• Trata la IA como complemento del servicio, con entrenamiento, apoyo a la decisión y red de referencia (Della Ripa et al., 2025).

Referencias

1. World Health Organization. New guidelines on antenatal care for a positive pregnancy experience. Nota de prensa, 7 de noviembre de 2016. [Texto completo](https://www.who.int/news/item/07-11-2016-new-guidelines-on-antenatal-care-for-a-positive-pregnancy-experience).
2. Organización Mundial de la Salud. Nacimiento prematuro. Nota descriptiva. [Texto completo](https://www.who.int/news-room/fact-sheets/detail/preterm-birth).
3. Pokaprakarn T, Prieto JC, Price JT, et al. AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evid. 2022;1(5). [PMID 36875289](https://pubmed.ncbi.nlm.nih.gov/36875289/). DOI 10.1056/evidoa2100058.
4. Stringer JSA, Pokaprakarn T, Prieto JC, et al. Diagnostic accuracy of an integrated AI tool to estimate gestational age from blind ultrasound sweeps. JAMA. 2024;332(8):649-57. [PMID 39088200](https://pubmed.ncbi.nlm.nih.gov/39088200/). DOI 10.1001/jama.2024.10770.
5. Gomes RG, Vwalika B, Lee C, et al. A mobile-optimized artificial intelligence system for gestational age and fetal malpresentation assessment. Commun Med (Lond). 2022;2:128. [PMID 36249461](https://pubmed.ncbi.nlm.nih.gov/36249461/). DOI 10.1038/s43856-022-00194-5.
6. Willis A, Lee C, Krogue J, et al. Generalization of AI-based gestational age assessment using blind sweep ultrasonography. JAMA Netw Open. 2026;9(7):e2622484. [PMID 42424080](https://pubmed.ncbi.nlm.nih.gov/42424080/). DOI 10.1001/jamanetworkopen.2026.22484.
7. Benson M, Walton S, Hartley T, et al. Fetal gestational age estimation using artificial intelligence on non-targeted ultrasound images and video. NPJ Digit Med. 2025;8(1):700. [PMID 41266569](https://pubmed.ncbi.nlm.nih.gov/41266569/). DOI 10.1038/s41746-025-02024-z.
8. Eisenkolb G, Wright D, Syngelaki A, et al. Real-time gestational-age estimation at 11-13 weeks using artificial intelligence on non-targeted ultrasound sweeps. Ultrasound Obstet Gynecol. 2026;68(4):510-7. [PMID 42740444](https://pubmed.ncbi.nlm.nih.gov/42740444/). DOI 10.1002/uog.70335.
9. Naz S, Noorani S, Jaffar Zaidi SA, et al. Use of artificial intelligence for gestational age estimation: a systematic review and meta-analysis. Front Glob Womens Health. 2025;6:1447579. [PMID 39950139](https://pubmed.ncbi.nlm.nih.gov/39950139/). DOI 10.3389/fgwh.2025.1447579.
10. Schott J, Wilmes M, Walter A, et al. The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: a systematic literature review. Acta Obstet Gynecol Scand. 2026;105(3):403-17. [PMID 41574472](https://pubmed.ncbi.nlm.nih.gov/41574472/). DOI 10.1111/aogs.70147.
11. Della Ripa S, Santos N, Walker D. AI-enabled obstetric point-of-care ultrasound as an emerging technology in low- and middle-income countries: provider and health system perspectives. BMC Pregnancy Childbirth. 2025;25(1):729. [PMID 40615993](https://pubmed.ncbi.nlm.nih.gov/40615993/). DOI 10.1186/s12884-025-07796-6.
12. Swarray Deen A, McDougall ARA, Chemway R, et al. Prospective accuracy study on an artificial intelligence-based ultrasound system for gestational age estimation among pregnant women in Ghana, Kenya and South Africa: protocol. BMJ Open. 2026;16(9):e118330. [PMID 42731844](https://pubmed.ncbi.nlm.nih.gov/42731844/). DOI 10.1136/bmjopen-2026-118330.