RESUMEN:

La preeclampsia representa el 34 % de las muertes maternas en México y su detección tardía se asocia a barreras estructurales en la atención prenatal. Se analizó una base de datos de 60 pacientes embarazadas atendidas en primer nivel, con edad media de 28.1 años (rango: 17–42) e IMC promedio de 29.1 kg/m². El 63.3 % presentó sobrepeso u obesidad, el 48.3 % antecedente familiar de hipertensión arterial y el 28.3 % antecedente personal de preeclampsia en embarazo previo. La primera consulta se realizó en promedio a las 10.6 semanas de gestación; del total, el 63.3 % desarrolló preeclampsia y el 36.7 % tuvo un embarazo controlado. Se desarrolló PrenatalRisk AI, una plataforma web con motor híbrido de clasificación que combina puntaje por pesos clínicos derivados de las guías GPC-IMSS 2017 y FIGO 2019 con un modelo de Random Forest supervisado. Las variables incluyen presión arterial sistólica, diastólica y media, IMC, edad y antecedentes personales y familiares. El modelo fue entrenado con etiquetas generadas por reglas clínicas aplicando StandardScaler y 500 árboles con profundidad máxima de 10. Se integró un modelo de lenguaje (Gemini) para interpretaciones narrativas de apoyo clínico. PrenatalRisk AI clasifica a las pacientes en cuatro niveles: Ninguno, Medio, Alto y Hospitalización. Los factores de mayor peso fueron el antecedente de preeclampsia (7.19), diabetes previa (3.6), hipertensión arterial preexistente (3.6) y enfermedad renal crónica (3.6). El motor híbrido mostró consistencia entre la clasificación clínica y el modelo ML, con regla de oro aplicada en crisis hipertensiva para garantizar hospitalización inmediata. La integración de lógica clínica ponderada con aprendizaje automático permite una estratificación del riesgo más trazable que el uso aislado de ML, operando con variables de primer nivel sin requerir biomarcadores séricos especializados, lo que amplía su aplicabilidad en entornos con recursos limitados.

Palabras clave: preeclampsia, aprendizaje automático, estratificación de riesgo, salud materna, plataforma web clínica, ingeniería biomédica.