Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 116
CRIBADO ECOGRÁFICO PRENATAL DEL ESPECTRO DE PLACENTA ACRETA
POSCESÁREA ASISTIDO POR INTELIGENCIA ARTIFICIAL: REVISIÓN SISTEMÁTICA
PRENATAL ULTRASOUND SCREENING FOR POST-CESAREAN PLACENTA ACCRETA
SPECTRUM ASSISTED BY ARTIFICIAL INTELLIGENCE: A SYSTEMATIC REVIEW
Autores: ¹Grecia Elizabeth Encalada Campos, ²Juan Adrian Añazco Palacios, ³Mayerli Briggitte
Espinoza Quinto, ⁴Marilyn Leonela Armijo Ramos y ⁵Marcia Isabel Veloz Arias.
¹ORCID ID: https://orcid.org/0000-0002-4550-0063
²ORCID ID: https://orcid.org/0009-0000-9044-880X
³ORCID ID: https://orcid.org/0009-0007-3105-4449
⁴ORCID ID: https://orcid.org/0009-0000-2073-6187
⁵ORCID ID: https://orcid.org/0009-0006-7862-9417
¹E-mail de contacto: gencaladac@unemi.edu.ec
²E-mail de contacto: janazcop@unemi.edu.ec
³E-mail de contacto: mespinozaq3@unemi.edu.ec
⁴E-mail de contacto: marmijor@unemi.edu.ec
⁵E-mail de contacto: mveloza2@unemi.edu.ec
Afiliación:
1*2*3*4*5*
Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 3 de Junio del 2026.
Artículo revisado: 6 de Junio del 2026.
Artículo aprobado: 6 de Junio del 2026.
¹Licenciada en Enfermería, graduada de la Universidad Estatal de Milagro, (Ecuador). Magíster en Enfermería con mención en Cuidados
Críticos, graduada de la Universidad Estatal de Milagro, (Ecuador). Magíster en Gerencia de Servicios de Salud, graduada de la
Universidad Técnica de Babahoyo, (Ecuador). Doctora en Ciencias de la Salud, graduada de la Universidad del Zulia, (Venezuela).
²Licenciado en Enfermería, graduado de la Universidad Católica de Santiago de Guayaquil, (Ecuador). Magíster en Enfermería, graduado
de la Universidad de las Américas, (Ecuador).
3
Estudiante de Licenciatura en Enfermería de la Universidad Estatal de Milagro, (Ecuador).
4
Estudiante de Licenciatura en Enfermería de la Universidad Estatal de Milagro, (Ecuador).
5
Estudiante de Licenciatura en Enfermería de la Universidad Estatal de Milagro, (Ecuador).
Resumen
El espectro de placenta acreta se asocia con
morbilidad materna grave y requiere detección
prenatal oportuna, especialmente en gestantes
con cesárea y placenta previas o de inserción
baja. La inteligencia artificial aplicada a
ecografía prenatal podría apoyar el cribado,
aunque su valor incremental permanece
incierto. Por tal razón, el objetivo de este
estudio fue sintetizar la evidencia sobre
precisión diagnóstica y aplicabilidad clínica de
la inteligencia artificial aplicada a ecografía
prenatal bidimensional, modo B o Doppler para
detectar el espectro de placenta acreta
poscesárea y explorar su utilidad en la
predicción de severidad. Se realizó una revisión
sistemática sin metaanálisis, conforme a
PRISMA 2020. Se buscaron estudios
publicados entre el 1 de enero de 2020 y el 30
de diciembre de 2025 en PubMed/MEDLINE,
Embase, Scopus, Web of Science, Cochrane
Library y LILACS, en español o inglés. Se
incluyeron estudios originales de precisión
diagnóstica, cohortes, estudios de casos y
controles, y modelos predictivos. La selección
fue independiente por dos revisores y la síntesis
fue narrativa. Se incluyeron quince estudios.
Tres evaluaron inteligencia artificial aplicada
directamente a ecografía prenatal mediante
textura ecográfica, radiómica y aprendizaje
automático. Otros estudios abordaron
predicción de severidad, planificación
quirúrgica y variabilidad del estándar de
referencia. La evidencia fue heterogénea en
población, imágenes, métricas, validación y
confirmación diagnóstica. La inteligencia
artificial podría complementar el cribado
ecográfico prenatal del espectro de placenta
acreta poscesárea, aunque no sustituye la
evaluación experta. Se requieren aún estudios
prospectivos, multicéntricos y con validación
externa.
Palabras clave: Espectro, Placenta acreta,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 117
Ecografía prenatal, Inteligencia artificial,
Cesárea.
Abstract
Placenta accreta spectrum is associated with
severe maternal morbidity and requires timely
prenatal detection, especially in pregnant
women with a history of cesarean delivery and
placenta previa or low-lying placenta. Artificial
intelligence applied to prenatal ultrasound may
support screening; however, its incremental
value remains uncertain. Therefore, the
objective of this study was to synthesize the
evidence on the diagnostic accuracy and clinical
applicability of artificial intelligence applied to
two-dimensional prenatal ultrasound, B-mode
imaging, or Doppler ultrasound for detecting
placenta accreta spectrum in women with
previous cesarean delivery, and to explore its
usefulness in predicting disease severity. A
systematic review without meta-analysis was
conducted in accordance with the PRISMA
2020 statement. Studies published between
January 1, 2020, and December 30, 2025, were
searched in PubMed/MEDLINE, Embase,
Scopus, Web of Science, Cochrane Library, and
LILACS, in Spanish or English. Original
diagnostic accuracy studies, cohort studies,
case-control studies, and predictive model
studies were included. Study selection was
performed independently by two reviewers, and
the evidence was synthesized narratively.
Fifteen studies were included. Three studies
directly evaluated artificial intelligence applied
to prenatal ultrasound through ultrasound
texture analysis, radiomics, and machine
learning. Other studies addressed severity
prediction, surgical planning, and variability in
reference standards. The evidence was
heterogeneous in terms of population, imaging
approach, performance metrics, validation
methods, and diagnostic confirmation.
Artificial intelligence may complement prenatal
ultrasound screening for placenta accreta
spectrum in women with previous cesarean
delivery, although it does not replace expert
assessment. Further prospective, multicenter
studies with external validation are still
required.
Keywords: Spectrum, Placenta accreta,
Prenatal ultrasound, Artificial intelligence,
Cesarean section.
Resumo
O espectro da placenta acreta está associado a
morbidade materna grave e requer detecção pré-
natal oportuna, especialmente em gestantes com
cesariana prévia e placenta prévia ou de
inserção baixa. A inteligência artificial aplicada
à ultrassonografia pré-natal pode apoiar o
rastreamento; contudo, seu valor incremental
permanece incerto. Por essa razão, o objetivo
deste estudo foi sintetizar a evidência sobre a
acurácia diagnóstica e a aplicabilidade clínica
da inteligência artificial aplicada à
ultrassonografia pré-natal bidimensional, em
modo B ou Doppler, para detectar o espectro da
placenta acreta em gestantes com cesariana
prévia, além de explorar sua utilidade na
predição da gravidade. Foi realizada uma
revisão sistemática sem metanálise, conforme a
declaração PRISMA 2020. Foram buscados
estudos publicados entre 1º de janeiro de 2020
e 30 de dezembro de 2025 nas bases
PubMed/MEDLINE, Embase, Scopus, Web of
Science, Cochrane Library e LILACS, em
espanhol ou inglês. Foram incluídos estudos
originais de acurácia diagnóstica, coortes,
estudos de caso-controle e modelos preditivos.
A seleção dos estudos foi realizada de forma
independente por dois revisores, e a síntese da
evidência foi narrativa. Foram incluídos quinze
estudos. Três avaliaram diretamente a
inteligência artificial aplicada à
ultrassonografia pré-natal por meio de análise
de textura ultrassonográfica, radiômica e
aprendizado de máquina. Outros estudos
abordaram a predição de gravidade, o
planejamento cirúrgico e a variabilidade do
padrão de referência. A evidência foi
heterogênea quanto à população, às imagens
utilizadas, às métricas de desempenho, aos
métodos de validação e à confirmação
diagnóstica. A inteligência artificial pode
complementar o rastreamento ultrassonográfico
pré-natal do espectro da placenta acreta em
gestantes com cesariana prévia, embora não
substitua a avaliação especializada. Ainda são
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 118
necessários estudos prospectivos,
multicêntricos e com validação externa.
Palavras-chave: Espectro, Placenta acreta,
Ultrassonografia pré-natal, Inteligência
artificial, Cesariana.
Introducción
El espectro de placenta acreta, conocido en la
literatura internacional como placenta accreta
spectrum (PAS), comprende trastornos de la
placentación caracterizados por adherencia
anómala de las vellosidades coriales al
miometrio, con grados variables de invasión
que incluyen placenta acreta, increta y percreta.
En esta revisión, el cribado ecográfico prenatal
del PAS poscesárea se entiende como una
estrategia de identificación anticipada del riesgo
en gestantes con antecedente de cesárea, en
particular cuando coexisten placenta previa,
placenta de inserción baja o implantación
placentaria anterior sobre la cicatriz uterina.
Esta delimitación es necesaria porque la
inteligencia artificial aplicada a ecografía
obstétrica funciona como prueba índice o
herramienta de apoyo diagnóstico, no como
intervención terapéutica ni como sustituto de la
evaluación clínica especializada (American
College of Obstetricians and Gynecologists y
Society for Maternal-Fetal Medicine, 2018;
Jauniaux et al., 2018).
La relevancia clínica del PAS radica en que este
se relaciona con hemorragia obstétrica grave,
transfusión masiva, histerectomía periparto,
lesión de órganos adyacentes, ingreso a
cuidados intensivos y necesidad de atención en
centros con capacidad multidisciplinaria. El
antecedente de cesárea es uno de los factores de
riesgo principales, y su impacto aumenta
cuando se combina con placenta previa o
inserción placentaria baja. En este escenario, la
detección prenatal permite anticipar la
referencia a unidades especializadas, planificar
el nacimiento, preparar recursos
transfusionales, coordinar equipos quirúrgicos
y disminuir la improvisación ante emergencias
hemorrágicas complejas (Jauniaux et al., 2019;
Silver et al., 2006).
La ecografía prenatal bidimensional,
complementada en casos seleccionados con
Doppler color, continúa siendo la herramienta
inicial más utilizada para sospechar PAS por su
disponibilidad, seguridad y capacidad para
identificar signos morfológicos o vasculares de
invasión placentaria. Entre los hallazgos
descritos se incluyen lagunas placentarias,
adelgazamiento o pérdida de la zona miometrial
retroplacentaria, interrupción de la interfase
útero-vesical, hipervascularidad uterovesical y
vasos puente. Su interpretación varía según
edad gestacional, localización placentaria, vía
de exploración, calidad de imagen, tipo de
marcador y experiencia del operador. De modo
que, aunque la precisión diagnóstica de la
ecografía ha sido favorable en revisiones
sistemáticas, la heterogeneidad entre estudios
limita la comparación directa de resultados
(Collins et al., 2016; Maged et al., 2023).
La inteligencia artificial, el aprendizaje
automático, el aprendizaje profundo y la
radiómica se han incorporado al análisis de
imágenes obstétricas para extraer patrones
cuantitativos de textura, forma, intensidad y
distribución vascular que no siempre son
evidentes mediante evaluación visual
convencional. En el cribado ecográfico de PAS,
estos modelos buscan clasificar imágenes,
fusionar características derivadas del modo B o
del Doppler, reducir parte de la variabilidad
dependiente del operador y apoyar la
identificación de gestantes con mayor
probabilidad de invasión placentaria. La
evidencia disponible aún debe interpretarse con
prudencia, porque buena parte de los estudios
procede de diseños piloto, cohortes
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 119
retrospectivas, muestras pequeñas o modelos
con validación interna (Danaei et al., 2025;
Young et al., 2024; Zhang et al., 2024).
Las lagunas que justifican este estudio se
concentran en la definición de la población
diana poscesárea, la variabilidad del
rendimiento ecográfico convencional y la
estandarización incompleta de descriptores,
adquisición de imágenes y etiquetado
diagnóstico. Cuando los modelos se desarrollan
con poblaciones heterogéneas, estándares de
referencia inconsistentes o reportes incompletos
sobre preprocesamiento, calibración y
reproducibilidad, sus métricas pueden
sobreestimarse y perder aplicabilidad clínica.
Esta revisión analiza la evidencia disponible
sobre inteligencia artificial aplicada a ecografía
prenatal bidimensional, modo B y/o Doppler
para detectar PAS y explorar su potencial en la
predicción de severidad, con énfasis en
gestantes poscesárea y condiciones placentarias
de alto riesgo (Collins et al., 2024; Page et al.,
2021; Whiting et al., 2011).
El cribado ecográfico prenatal del PAS
poscesárea exige comprender la enfermedad
como un fenómeno anatómico, vascular y
diagnóstico, no solo como una clasificación
binaria de presencia o ausencia. En gestantes
con antecedente de cesárea, especialmente con
placenta previa, inserción baja o implantación
anterior sobre la cicatriz uterina, la ecografía
permite reconocer patrones morfológicos y
vasculares que orientan la sospecha clínica. La
interpretación de esos signos depende de la edad
gestacional, la localización placentaria, la vía de
exploración, la calidad de imagen, la
experiencia del operador y el estándar usado
para confirmar el diagnóstico (Maged et al.,
2023). La inteligencia artificial aplicada a
ecografía obstétrica representa una capa
analítica adicional dentro del proceso
diagnóstico. Los modelos de aprendizaje
automático, aprendizaje profundo y radiómica
pueden extraer características de textura,
intensidad, bordes, heterogeneidad tisular y
distribución vascular a partir de imágenes en
modo B o Doppler. Su posible valor clínico no
reside solo en automatizar la lectura, sino en
disminuir parte de la variabilidad
interobservador y apoyar la clasificación de
pacientes con mayor probabilidad de PAS
cuando la experiencia especializada es limitada
(Young et al., 2024).
Desde el punto de vista operativo, el desempeño
de un modelo depende de la coherencia entre
imagen de entrada, etiqueta diagnóstica y
desenlace estimado. La imagen puede proceder
de ecografía bidimensional, modo B, Doppler
color o combinaciones multimodales; la
etiqueta puede derivarse de hallazgos
quirúrgicos, histopatología o clasificación
clínica; y el desenlace puede limitarse a
detección de PAS o ampliarse hacia severidad,
invasión anatómica y planificación quirúrgica.
Un modelo aparentemente prometedor puede
perder validez si se entrenó con imágenes
heterogéneas, regiones de interés mal definidas,
etiquetas inconsistentes o poblaciones poco
representativas de la práctica clínica (Zhang et
al., 2024).
La medición de desenlaces debe diferenciar
entre exactitud estadística y utilidad clínica.
Sensibilidad, especificidad, valores predictivos,
razones de verosimilitud y área bajo la curva
describen capacidad discriminativa, pero no
prueban por sí mismas que la herramienta
mejore decisiones prenatales. Para aportar valor
incremental frente a ecografía experta o escalas
manuales, la inteligencia artificial debe mostrar
estabilidad en poblaciones externas, calibración
adecuada, reproducibilidad entre equipos y
operadores, interpretabilidad suficiente y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 120
capacidad para orientar decisiones clínicas
relevantes (Danaei et al., 2025). La controversia
principal se ubica entre el rendimiento técnico
reportado y la aplicabilidad real de los modelos.
La validación interna, la partición retrospectiva
de datos y la validación cruzada son etapas
útiles del desarrollo algorítmico, pero no
sustituyen la validación externa en centros,
equipos, operadores y poblaciones con distinta
prevalencia de placenta previa y diferentes
estándares de referencia. Es por eso por lo que
esta revisión considera precisión diagnóstica,
riesgo de sobreajuste, transparencia del
preprocesamiento, manejo de datos faltantes,
trazabilidad de las predicciones y posibilidad de
integrar la herramienta al flujo clínico
obstétrico sin comprometer seguridad ni
reproducibilidad (Collins et al., 2024). A
continuación, la figura resume los hallazgos de
este estudio en cuanto a la relación entre
población de riesgo, adquisición ecográfica,
extracción de características, salida algorítmica,
medición diagnóstica y aplicabilidad clínica.
Figura 1. Marco conceptual del cribado
ecográfico prenatal del PAS poscesárea
asistido por inteligencia artificial.
Fuente: Elaboración propia.
Materiales y Métodos
Se realizó una revisión sistemática sin
metaanálisis para sintetizar la evidencia
disponible sobre inteligencia artificial aplicada
a ecografía prenatal bidimensional, modo B y/o
Doppler para el cribado del PAS en gestantes
con antecedente de cesárea. La metodología se
estructuró conforme a PRISMA 2020 e incluyó
pregunta de investigación, criterios de
elegibilidad, estrategia de búsqueda, selección
de estudios, extracción de datos, valoración del
riesgo de sesgo y síntesis narrativa (Page et al.,
2021). La búsqueda bibliográfica se ejecutó el
30 de diciembre de 2025 en
PubMed/MEDLINE, Embase, Scopus, Web of
Science, Cochrane Library y LILACS. Se
restringió la recuperación a artículos publicados
entre el 1 de enero de 2020 y la fecha de
búsqueda, en español o inglés. Se emplearon
términos libres y controlados relacionados con
placenta accreta spectrum, placenta previa,
cesárea previa, ecografía prenatal, inteligencia
artificial, aprendizaje automático, aprendizaje
profundo, radiómica y precisión diagnóstica;
como cadena ejemplo se utilizó: ("placenta
accreta spectrum" OR "placenta accreta" OR
PAS) AND ("artificial intelligence" OR
"machine learning" OR "deep learning" OR
radiomics) AND (ultrasound OR
ultrasonography OR Doppler OR "B-mode")
AND ("previous cesarean" OR "cesarean scar"
OR "placenta previa").
Se incluyeron estudios originales de precisión
diagnóstica, cohortes prospectivas o
retrospectivas, estudios de casos y controles, y
estudios de desarrollo o validación de modelos
predictivos que evaluaran inteligencia artificial
aplicada a ecografía prenatal para detectar o
estratificar el riesgo de PAS. Fueron elegibles
estudios en gestantes con antecedente de
cesárea, con o sin placenta previa, placenta de
inserción baja o implantación anterior sobre
cicatriz uterina, siempre que reportaran
sensibilidad, especificidad, área bajo la curva,
valores predictivos, calibración, validación
interna o externa, predicción de severidad o
aplicabilidad clínica. Se excluyeron editoriales,
cartas, revisiones narrativas, estudios sin
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 121
imágenes ecográficas, investigaciones
centradas exclusivamente en resonancia
magnética, reportes de caso, series pequeñas sin
análisis diagnóstico y trabajos sin estándar de
referencia clínico, quirúrgico o histopatológico.
La selección se realizó por dos revisores de
forma independiente mediante lectura de
títulos, resúmenes y textos completos; las
discrepancias se resolvieron por consenso o con
participación de un tercer revisor. Se extrajeron
datos sobre población, características
ecográficas, tipo de algoritmo, variables de
entrada, comparador, estándar de referencia,
métricas diagnósticas, validación, limitaciones
metodológicas y aplicabilidad clínica. El riesgo
de sesgo se valoró mediante QUADAS-2, con
atención a selección de participantes, prueba
índice, estándar de referencia, flujo de pacientes
y aplicabilidad (Whiting et al., 2011).
Resultados
El proceso de selección de estudios se organizó
conforme a PRISMA 2020. En la fase de
identificación se recuperaron 138 registros, de
los cuales 132 procedieron de bases de datos
bibliográficas y 6 de búsqueda complementaria.
Tras eliminar 32 duplicados, se cribaron 106
registros por título y resumen, y se excluyeron
89 por no cumplir los criterios iniciales.
Posteriormente, 17 artículos fueron
seleccionados para lectura completa; dos se
excluyeron con razones explícitas, por no
evaluar inteligencia artificial aplicada a
ecografía prenatal o por carecer de estándar de
referencia clínico, quirúrgico o histopatológico.
Posteriormente, 15 estudios fueron incluidos en
la síntesis cualitativa (Page et al., 2021). Se
identificaron tres estudios originales que
respondieron directamente a la pregunta sobre
inteligencia artificial aplicada a ecografía
prenatal para detección del PAS. La evidencia
correspondió a estudios observacionales
retrospectivos, desarrollo de modelos y un
estudio piloto, centrados en imágenes en modo
B, Doppler color, textura ecográfica, radiómica
y aprendizaje automático.
Figura 2. Diagrama de flujo PRISMA 2020
adaptado para el proceso de selección de
estudios.
Fuente: Elaboración propia con base en
PRISMA 2020 (Page et al., 2021).
Los hallazgos se presentan de forma
descriptiva, sin comparaciones inferenciales
entre estudios debido a la heterogeneidad de
población, modalidad de imagen, validación y
métricas reportadas (Young et al., 2024, 2025;
Zhang et al., 2024). Para la pregunta sobre
predicción de severidad y desenlaces
quirúrgicos, se identificaron siete estudios
publicados desde 2020 que no habían sido
utilizados en la tabla previa. La evidencia
incluyó estudios observacionales, desarrollo o
validación de puntajes ecográficos, modelos
predictivos y análisis de marcadores
ultrasonográficos relacionados con severidad
anatómica, pérdida sanguínea, transfusión,
histerectomía, abordaje quirúrgico o resultado
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 122
neonatal. (Ver tabla 1). Debido a la
heterogeneidad de desenlaces y métricas, los
hallazgos se sintetizaron mediante una matriz
de evidencia tipo harvest plot (Agarwal et al.,
2024; Aryananda et al., 2025; Calì et al., 2020;
Chen et al., 2021; Del Negro et al., 2021;
Watthanasathitnukun et al., 2022; Zhang et al.,
2023).
Tabla 1. Estudios originales sobre inteligencia artificial aplicada a ecografía prenatal para detección
del espectro de placenta acreta.
Estudio
Diseño y población
Variable evaluada
Hallazgo principal
Young et al. (2024)
Estudio original con imágenes
ecográficas y modelos de
aprendizaje automático.
Textura ecográfica para
clasificación del espectro de
placenta acreta.
Se reportaron exactitudes de prueba de 87 % y
92 %, con validación cruzada de cinco
particiones.
Zhang et al. (2024)
Estudio piloto con aprendizaje
automático aplicado a imágenes
ecográficas prenatales.
Detección automatizada de
rasgos anatómicos asociados
con el espectro de placenta
acreta.
Se describió factibilidad inicial; el resumen
disponible no aportó métricas completas.
Young et al. (2025)
Estudio retrospectivo en gestantes
con placenta previa y factor
quirúrgico de riesgo.
Radiómica en modo B,
Doppler color y modelo
multimodal.
El modelo multimodal alcanzó exactitud de
validación cruzada de 90 % y se correlacionó
con marcadores ecográficos.
Fuente: Elaboración propia.
Figura 3. Desenlaces de severidad y
planificación quirúrgica reportados en estudios
ecográficos y modelos predictivos sobre PAS.
Fuente: Elaboración propia a partir de Calì et
al. (2020), Del Negro et al. (2021), Chen et al.
(2021), Watthanasathitnukun et al. (2022),
Zhang et al. (2023), Agarwal et al. (2024) y
Aryananda et al. (2025).
Los cuadros negros indican que el dominio fue
reportado o analizado como desenlace
relevante; los cuadros blancos indican que no
fue reportado como desenlace objetivo del
estudio. Para la interrogante sobre
heterogeneidad del estándar de referencia y
calidad de las etiquetas diagnósticas, se
seleccionaron nueve estudios observacionales
publicados desde 2020 que no habían sido
utilizados en la tabla ni en la figura previa. La
evidencia correspondió principalmente a
cohortes prospectivas o retrospectivas de
diagnóstico prenatal por ecografía, Doppler o
imagen complementaria. El diagnóstico final se
confirmó mediante hallazgos operatorios,
histopatología, examen poscesárea o
combinaciones de estos estándares, con
variabilidad en la construcción de la etiqueta
diagnóstica final. (Alalfy et al., 2021; Coutinho
et al., 2021; di Pasquo et al., 2020; Faralli et al.,
2022; Gadelrab et al., 2022; Gulati et al., 2021;
Haba et al., 2022; Hussein et al., 2022; Reeder
et al., 2022).
Figura 4. Estándares de referencia reportados
en estudios diagnósticos sobre cribado prenatal
del espectro de placenta acreta.
Fuente: Elaboración propia
Las barras muestran el número de estudios
agrupados según el tipo de confirmación
diagnóstica descrita. La evidencia identificada
sugirió que la inteligencia artificial aplicada a
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 123
ecografía prenatal podría apoyar el cribado del
PAS en gestantes poscesárea, especialmente
mediante análisis de textura, radiómica y
modelos de aprendizaje automático. Los
hallazgos no permitieron confirmar un valor
incremental clínicamente consolidado frente a
la ecografía experta, debido a validación
externa limitada, heterogeneidad de
poblaciones y variabilidad del estándar de
referencia (Danaei et al., 2025; Young et al.,
2024, 2025; Zhang et al., 2024). Desde la
práctica clínica, la utilidad potencial de estos
modelos se relaciona con la identificación
prenatal de pacientes con mayor riesgo, la
derivación oportuna y la planificación
quirúrgica en contextos de alta morbilidad
materna. Esta posibilidad es coherente con el
valor del diagnóstico prenatal para organizar
equipos multidisciplinarios, preparar recursos
transfusionales y disminuir la improvisación
ante hemorragias obstétricas complejas (ACOG
y SMFM, 2018; Jauniaux et al., 2019).
Los resultados se corresponden con lo que
plantea la literatura consultada al mostrar que la
ecografía convencional mantiene un papel
central en la sospecha diagnóstica, aunque su
rendimiento depende de la experiencia del
operador, los descriptores utilizados, la edad
gestacional y la localización placentaria. Así, la
inteligencia artificial debe interpretarse como
herramienta complementaria cuya utilidad
depende de imágenes bien adquiridas, etiquetas
diagnósticas confiables y comparación
adecuada con la práctica clínica habitual
(Collins et al., 2016; Maged et al., 2023). La
variabilidad observada podría explicarse por
diferencias en población de estudio,
coexistencia de placenta previa, número de
cesáreas previas, tipo de imagen ecográfica,
definición de severidad y forma de confirmar el
diagnóstico final. Estas diferencias limitaron la
comparación directa entre estudios y reforzaron
la necesidad de separar desempeño técnico,
precisión diagnóstica y aplicabilidad clínica
(Maged et al., 2023; Whiting et al., 2011).
Ciertos factores limitaron la certeza de la
evidencia, como el predominio de diseños
retrospectivos, muestras pequeñas, modelos
piloto y validaciones internas. Además, el
reporte incompleto sobre calibración,
preprocesamiento de imágenes, manejo de
datos faltantes, explicabilidad y validación
externa dificultó valorar la reproducibilidad de
los modelos y su transferencia a otros centros
(Collins et al., 2024; Danaei et al., 2025).
Esta revisión se sustentó en una interrogante
con relevancia clínica y metodológica,
coherente con estudios de precisión diagnóstica
y modelos predictivos. Se consideró importante
organizar la evidencia según población, prueba
índice, comparador, estándar de referencia y
desenlaces. Sin embargo, se reconocen la
heterogeneidad de estudios consultados, la
restricción temporal e idiomática, así como la
ausencia de metaanálisis. Con todo, los
hallazgos sugieren que la inteligencia artificial
podría ser más aplicable en subgrupos de alto
riesgo, como gestantes con cesárea previa
asociada a placenta previa, inserción baja o
implantación anterior sobre cicatriz uterina. Su
incorporación en escenarios con recursos
variables requiere demostrar mejora en rutas de
derivación, oportunidad diagnóstica,
planificación del parto y seguridad materna, sin
aumentar falsos positivos, costos innecesarios o
dependencia de tecnologías poco disponibles
(ACOG y SMFM, 2018; Danaei et al., 2025).
Nuevas investigaciones deben priorizar
estudios prospectivos, multicéntricos y con
validación externa, mediante descriptores
ecográficos estandarizados, estándares de
referencia explícitos y métricas que incluyan
discriminación, calibración, interpretabilidad y
utilidad clínica. Mientras esa evidencia se
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 124
consolida, la inteligencia artificial debe
considerarse una estrategia de apoyo al cribado
prenatal, no una herramienta autónoma para
tomar decisiones en el PAS poscesárea (Collins
et al., 2024; Young et al., 2025).
Conclusiones
La evidencia revisada mostró que la inteligencia
artificial aplicada a ecografía prenatal podría
apoyar el cribado del PAS en gestantes con
antecedente de cesárea, especialmente cuando
coexisten placenta previa, inserción placentaria
baja o implantación anterior sobre cicatriz
uterina. Sin embargo, los hallazgos disponibles
no confirmaron un valor incremental
clínicamente consolidado frente a la ecografía
experta. Su papel debe entenderse como
complementario y dependiente de la calidad de
las imágenes, las etiquetas diagnósticas y la
validación clínica. La interpretación de estos
resultados estuvo condicionada por la
heterogeneidad de las poblaciones, los diseños
observacionales, la variabilidad de las imágenes
ecográficas utilizadas, la escasa validación
externa y la diversidad de estándares de
referencia. También se observaron limitaciones
en el reporte de calibración, transparencia
algorítmica, reproducibilidad y aplicabilidad, lo
que redujo la confianza en la transferencia de
los modelos a distintos entornos asistenciales.
Estos hallazgos sugieren que la inteligencia
artificial podría tener mayor utilidad en
subgrupos de alto riesgo si se integra en rutas
clínicas estructuradas, con descriptores
ecográficos estandarizados y confirmación
diagnóstica rigurosa. La investigación futura
debe priorizar estudios prospectivos,
multicéntricos y con validación externa,
orientados a medir precisión diagnóstica e
impacto en derivación oportuna, planificación
quirúrgica, seguridad materna y aplicabilidad
en escenarios reales.
Referencias Bibliográficas
Agarwal, N., Hernández, E., Sibai, B., Amro, F.
H., Coselli, J., Bartal, M., Lai, D., Soto, E.,
Backley, S., Johnson, A., Espinoza, J., Bergh,
E., Zhu, S., Salazar, A., Blackwell, S. C., &
Papanna, R. (2024). Quantifying placenta
accreta spectrum severity and its associated
blood loss: A novel transvaginal ultrasound
scoring system. American Journal of
Obstetrics and Gynecology MFM, 6(10),
101451.
https://doi.org/10.1016/j.ajogmf.2024.10145
1
Alalfy, M., Hamed, S., Abd El Ghani, A.,
Elgazzar, A., Abbassy, A., Rashwan, A.,
Nagy, O., Shalaby, M. A., Hassan, H.,
Ibrahem, A., Kamal, H., Mahrous, R., &
Kamal, E. (2021). The accuracy of 3D-TUI
and 3D power Doppler using Alalfy simple
criteria in the diagnosis of placenta accreta
spectrum. Clinical and Experimental
Obstetrics & Gynecology, 48(5), 1132-1140.
https://doi.org/10.31083/j.ceog4805182
American College of Obstetricians and
Gynecologists & Society for Maternal-Fetal
Medicine. (2018). Obstetric Care Consensus
No. 7: Placenta accreta spectrum. Obstetrics
& Gynecology, 132(6), e259-e275.
https://doi.org/10.1097/AOG.000000000000
2983
Aryananda, R., Adu-Bredu, T., Cininta, N,
Twumasi, C., Pranpanus, S., Coutinho, C. M.,
Priangga, B., Akyuni, Q., van Beekhuizen, H.
J., Nieto-Calvache, A. J., Palacios-
Jaraquemada, J. M., Valentina, C., Dachlan,
E. G., Ariani, G., Lees, C. C., & Duvekot, H.
(2025). Diagnostic ultrasound to inform the
surgical approach to cesarean delivery in
patients at high risk for placenta accreta
spectrum disorders. American Journal of
Obstetrics and Gynecology, 233(6), 658.e1-
658.e16.
https://doi.org/10.1016/j.ajog.2025.08.005
Calì, G., Timor, I., Forlani, F., Palacios-
Jaraquemada, J., Monteagudo, A., Kaelin
Agten, A., Flacco, M. E., Khalil, A., Buca,
D., Manzoli, L., Liberati, M., & D’Antonio,
F. (2020). Value of first-trimester ultrasound
in prediction of third-trimester sonographic
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 125
stage of placenta accreta spectrum disorder
and surgical outcome. Ultrasound in
Obstetrics & Gynecology, 55(4), 450-459.
https://doi.org/10.1002/uog.21939
Chen, L., Shi, H. F., Jiang, H., Shi, X. M.,
Wang, Y. Y., Zhang, A. Q., Chong, Y. W., &
Zhao, Y. Y. (2021). Correlation of an
ultrasonic scoring system and intraoperative
blood loss in placenta accreta spectrum
disorders: A retrospective cohort study.
Biomedical and Environmental Sciences,
34(2), 163-169.
https://doi.org/10.3967/BES2021.022
Collins, G., Moons, K., Dhiman, P., Riley, R.
D., Beam, A. L., Van Calster, B., Ghassemi,
M., Liu, X., Reitsma, J. B., van Smeden, M.,
Boulesteix, A, Camaradou, J., Celi, L.,
Denaxas, S., Denniston, A., Glocker, B.,
Golub, R., Harvey, H., Heinze, G., Logullo,
P. (2024). TRIPOD+AI statement: Updated
guidance for reporting clinical prediction
models that use regression or machine
learning methods. BMJ, 385, e078378.
https://doi.org/10.1136/bmj-2023-078378
Collins, S., Ashcroft, A., Braun, T., Calda, P.,
Langhoff, J., Morel, O., Stefanovic, V.,
Tikkanen, M., Tutschek, B., Chantraine, F.,
& European Working Group on Abnormally
Invasive Placenta. (2016). Proposal for
standardized ultrasound descriptors of
abnormally invasive placenta. Ultrasound in
Obstetrics & Gynecology, 47(3), 271-275.
https://doi.org/10.1002/uog.14952
Coutinho, C., Giorgione, V., Noel, L., Liu, B.,
Chandraharan, E., Pryce, J., Frick, A. P.,
Thilaganathan, B., & Bhide, A. (2021).
Effectiveness of contingent screening for
placenta accreta spectrum disorders based on
persistent low-lying placenta and previous
uterine surgery. Ultrasound in Obstetrics &
Gynecology, 57(1), 91-96.
https://doi.org/10.1002/uog.23100
Danaei, M., Yeganegi, M., Azizi, S., Jayervand,
F., Shams, S. E., Sharifi, M. H., Bahrami, R.,
Masoudi, A., Shahbazi, A., Shiri, A.,
Rashnavadi, H., Aghili, K., & Neamatzadeh,
H. (2025). Machine learning applications in
placenta accreta spectrum disorders.
European Journal of Obstetrics &
Gynecology and Reproductive Biology: X,
25, 100362.
https://doi.org/10.1016/j.eurox.2024.100362
Del Negro, V., Aleksa, N., Galli, C., Ciminello,
E., Derme, M., Vena, F., Muzii, L., &
Piccioni, M. G. (2021). Ultrasonographic
diagnosis of placenta accreta spectrum
disorder: Ideation of an ultrasonographic
score and correlation with surgical and
neonatal outcomes. Diagnostics, 11(1), 23.
https://doi.org/10.3390/diagnostics11010023
Di Pasquo, E., Ghi, T., Calì, G., D'Antonio, F.,
Fratelli, N., Forlani, F., Prefumo, F., Kaihura,
C. T., Volpe, N., Dall'Asta, A., & Frusca, T.
(2020). Intracervical lakes as sonographic
marker of placenta accreta spectrum disorder
in patients with placenta previa or low-lying
placenta. Ultrasound in Obstetrics &
Gynecology, 55(4), 460-466.
https://doi.org/10.1002/uog.21866
Faralli, I., Del Negro, V., Chinè, A., Aleksa, N.,
Ciminello, E., & Piccioni, M. G. (2022).
Placenta accreta spectrum disorder:
Ultrasound versus magnetic resonance
imaging. Diagnostics, 12(11), 2769.
https://doi.org/10.3390/diagnostics12112769
Gadelrab, A. E., Aboelghar, W. M. A., Swedan,
K. H., Nasreldin, E. A., & Elshahawy, A.
(2022). Accuracy of three-dimensional
multislice view Doppler in diagnosis of
placenta accreta spectrum. Italian Journal of
Gynaecology and Obstetrics, 34(1), 11-18.
https://doi.org/10.36129/jog.34.01.02
Gulati, A., Anand, R., Aggarwal, K., Agarwal,
S., & Tomer, S. (2021). Ultrasound as a sole
modality for prenatal diagnosis of placenta
accreta spectrum: Potentialities and pitfalls.
Indian Journal of Radiology and Imaging,
31(3), 527-538. https://doi.org/10.1055/s-
0041-1735864
Haba, R., Pristavu, A. I., Cobzeanu, M.-L.,
Carauleanu, A., Sadiye Scripcariu, I.,
Vasilache, I. A., Minciuna, D. A., Negru, D.,
& Socolov, D. G. (2022). Predicting placenta
accreta spectrum disorders in a cohort of
pregnant patients in the North-East Region of
Romania: Diagnostic accuracy of ultrasound
and magnetic resonance imaging.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 126
Diagnostics, 12(9), 2130.
https://doi.org/10.3390/diagnostics12092130
Hussein, A., Elbarmelgy, R. A., Elbarmelgy, R.
M., Thabet, M., & Jauniaux, E. (2022).
Prospective evaluation of impact of post-
Cesarean section uterine scarring in perinatal
diagnosis of placenta accreta spectrum
disorder. Ultrasound in Obstetrics &
Gynecology, 59(4), 474-482.
https://doi.org/10.1002/uog.23732
Jauniaux, E., Bhide, A., Kennedy, A.,
Woodward, P., Hubinont, C., Collins, S., &
FIGO Placenta Accreta Diagnosis and
Management Expert Consensus Panel.
(2018). FIGO consensus guidelines on
placenta accreta spectrum disorders: Prenatal
diagnosis and screening. International
Journal of Gynecology & Obstetrics, 140(3),
274-280. https://doi.org/10.1002/ijgo.12408
Jauniaux, E., Alfirevic, Z., Bhide, A., Belfort,
M., Burton, G., Collins, S., Dornan, S.,
Jurkovic, D., Kayem, G., Kingdom, J., Silver,
R., Sentilhes, L., & Royal College of
Obstetricians and Gynaecologists. (2019).
Placenta praevia and placenta accreta:
Diagnosis and management: Green-top
Guideline No. 27a. BJOG, 126(1), e1-e48.
https://doi.org/10.1111/1471-0528.15306
Maged, A., El-Mazny, A., Kamal, N.,
Mahmoud, S. I., Fouad, M., El-Nassery, N.,
Kotb, A., Ragab, W., Ogila, A., Metwally, A.
A., Lasheen, Y., Fahmy, R., Katta, M.,
Shaeer, E., & Salah, N. (2023). Diagnostic
accuracy of ultrasound in the diagnosis of
placenta accreta spectrum: Systematic review
and meta-analysis. BMC Pregnancy and
Childbirth, 23, 354.
https://doi.org/10.1186/s12884-023-05675-6
Page, M., McKenzie, J., Bossuyt, P., Boutron,
I., Hoffmann, T., Mulrow, C., Shamseer, L.,
Tetzlaff, J., Akl, E, Brennan, S., Chou, R.,
Glanville, J., Grimshaw, J. M., Hróbjartsson,
A., Lalu, M., Loder, E., Mayo, E., McDonald,
S., Moher, D. (2021). The PRISMA 2020
statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Reeder, C., Sylvester, K., Silva, L, Wert, E,
Smulian, J., & Genc, M. (2022). Outcomes of
pregnancies at high-risk for placenta accreta
spectrum following negative diagnostic
imaging. Journal of Perinatal Medicine,
50(5), 595-600. https://doi.org/10.1515/jpm-
2021-0591
Silver, R., Landon, M., Rouse, D., Leveno, K.
J., Spong, C., Thom, E., Moawad, A., Caritis,
S., Harper, M., Wapner, R., Sorokin, Y.,
Miodovnik, M., Carpenter, M., Peaceman,
A., O'Sullivan, M, Sibai, B., Langer, O.,
Thorp, J., Ramin, S, & Mercer, B. M. (2006).
Maternal morbidity associated with multiple
repeat cesarean deliveries. Obstetrics &
Gynecology, 107(6), 1226-1232.
https://doi.org/10.1097/01.AOG.000021975
0.79480.84
Watthanasathitnukun, W., Pranpanus, S., &
Petpichetchian, C. (2022). Two-dimensional
ultrasound signs as predictive markers of
massive peri-operative blood loss in placenta
previa suspicious for placenta accreta
spectrum disorder. PLOS ONE, 17(10),
e0276153.
https://doi.org/10.1371/journal.pone.027615
3
Whiting, P., Rutjes, A., Westwood, M, Mallett,
S., Deeks, J, Reitsma, J, Leeflang, M., Sterne,
J, Bossuyt, P., & QUADAS-2 Group. (2011).
QUADAS-2: A revised tool for the quality
assessment of diagnostic accuracy studies.
Annals of Internal Medicine, 155(8), 529-
536. https://doi.org/10.7326/0003-4819-155-
8-201110180-00009
Young, D., Khan, N., Hobson, S., & Sussman,
D. (2024). Diagnosis of placenta accreta
spectrum using ultrasound texture feature
fusion and machine learning. Computers in
Biology and Medicine, 178, 108757.
https://doi.org/10.1016/j.compbiomed.2024.
108757
Young, D., Khan, N., Hobson, S. R., &
Sussman, D. (2025). Ultrasound radiomics
correlating with clinical markers for
enhanced detection of placenta accreta
spectrum. Ultrasound in Medicine &
Biology, 51(10), 1769-1780.
https://doi.org/10.1016/j.ultrasmedbio.2025.
06.018
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 6
Edición Junio del 2026
Página 127
Zhang, J., Li, H., Feng, D., Wu, J., Wang, Z., &
Feng, F. (2023). Ultrasound scoring system
for prenatal diagnosis of placenta accreta
spectrum. BMC Pregnancy and Childbirth,
23, 569. https://doi.org/10.1186/s12884-023-
05886-x
Zhang, Y., Ellestad, S. C., Gilner, J. B., Pyne,
A., Boyd, B. K., Mazurowski, M. A., &
Gatta, L. A. (2024). Pilot study of machine
learning for detection of placenta accreta
spectrum. Ultrasound in Obstetrics &
Gynecology, 64(3), 426-427.
https://doi.org/10.1002/uog.29100
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Grecia Elizabeth
Encalada Campos, Juan Adrian Añazco Palacios,
Mayerli Briggitte Espinoza Quinto, Marilyn
Leonela Armijo Ramos y Marcia Isabel Veloz Arias.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Grecia Elizabeth Encalada Campos: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal
de los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Juan Adrian Añazco Palacios: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Mayerli Briggitte Espinoza Quinto: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del
proyecto investigativo y revisión editorial del manuscrito antes de su publicación.
Marilyn Leonela Armijo Ramos: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Marcia Isabel Veloz Arias: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
