ENTRAR            

		INSTRUMENTOS
		Resultados del Big Data aplicado a la gestión Obstétrica, una revisión narrativa María Isabel Fernández Aranda1 1Matrona de la Unidad de Ginecología y Obstetricia del Hospital Virgen del Rocío de Sevilla. Experta Universitaria en Estadística Aplicada a las Ciencias de la Salud, Nutrición en Salud Pública, Seguridad Alimentaria y Educación del Consumidor y Promoción de la Salud en la Comunidad. Sevilla, España Manuscrito recibido el 19.11.2016 Manuscrito aceptado el 27.2.2017 Tesela [Rev Tesela] 2017; 21
Cómo citar este documento
Fernández Aranda, María Isabel. Resultados del Big Data aplicado a la gestión Obstétrica, una revisión narrativa. Tesela [Rev Tesela] 2017; 21. Disponible en <https://www.index-f.com/tesela/ts21/ts11595.php> Consultado el

Resumen Introducción/Objetivos: En el campo de la salud el potencial del Big Data está en el procesamiento de datos digitalizados en los servicios sanitarios, procedentes de múltiples orígenes, para apoyar la toma de decisiones informadas y confiables del personal sanitario. En el presente artículo se analizan las aplicaciones actuales del Big Data en el campo Obstétrico y las mejoras y oportunidades que ofrece a la Matrona y la Gestante como gestoras y usuarias de servicios obstétricos. Método: se ha realizado una revisión narrativa de los artículos publicados entre Enero de 2000 y Enero de 2017 en las bases de datos PubMed, Cochrane, Hindawi, Elsevier y Cuiden. Resultados: se han considerado de interés 18 referencias bibliográficas. Conclusiones: Se ha encontrado innovadores avances en el proceso de diagnóstico y tratamiento de la gestante, la reducción de costes en las unidades de Obstetricia, la mejora del proceso de toma de decisiones y el mayor control asistencial. El uso de los datos contenidos en estas bases de datos nos permite mejorar la capacidad de predicción de la organización sanitaria y ayudar a promover iniciativas que aumenten la satisfacción de la gestante. Palabras clave: Minería de datos/ Procesamiento automático de datos/ Sistemas de Información en Salud/ Sistemas de Información administrativa/ Embarazo.		Abstract (Results of the Big Data applied to the Obstetric management, a narrative review) Introduction/Objectives: In the field of health, the potential of Big Data is in the processing of digitized data in health services, from multiple sources, to support the informed and reliable decision-making of health personnel. This article analyzes the current applications of Big Data in the Obstetric field and the improvements and opportunities offered to the Midwife and the Pregnant woman as obstetrical services managers and users. Method: A narrative review of the articles published between January 2000 and January 2017 has been carried out in PubMed, Cochrane, Hindawi, Elsevier and Cuiden databases. Results: 18 bibliographic references have been considered of interest. Conclusions: Innovative advances have been found in the process of diagnosis and treatment of pregnant women, cost reduction in Obstetrics units, improvement of the decision-making process and greater control of care. The use of the data contained in these databases allows us to improve the predictive capacity of the health organization and to help promote initiatives that increase the satisfaction of the pregnant woman. Key-words: Data mining/ Automatic Data Processing/ Health Information Systems/ Management Information Systems/ Pregnancy.

Introducción

    El crecimiento del sector tecnológico ha provocado el aumento desmesurado del volumen de información existente, por ello son necesarios sistemas de almacenamiento, organización y análisis de datos cada vez más sofisticados. La aparición del término "Big Data" surge de la mano de esta increíble expansión de la información. Tras aparecer por primera vez en el periódico "Lawton Constitution" en el año 1941,¹ el término se desarrolló en un artículo del "New Statesman" en marzo del año 1964, en el que se hacía referencia a la dificultad que suponía gestionar los volúmenes de información disponibles.²

El primer uso del término Big Data en un trabajo académico fue en un artículo de los investigadores de la NASA Michael Cox y David Ellsworth en Julio de 1997. Ambos afirmaron que el ritmo de crecimiento de los datos empezaba a ser un problema para los sistemas informáticos actuales, a esto se le denominó el «problema del Big Data».³

En 2001 Doug Laney, analista de Meta Group, publica una nota de investigación titulada "Gestión de datos 3D: controlar el volumen de datos, velocidad y variedad". Una década más tarde, el "3VS" se ha convertido en las tres dimensiones que definen los grandes volúmenes de datos, aunque el término en sí mismo no aparece en la nota de Laney.⁴

Ya en 2008 el aluvión de datos hace que el método científico quede obsoleto, el término «Big Data» comienza a utilizarse con cada vez más frecuencia en los círculos tecnológicos. En ese mismo año, un grupo de investigadores científicos en el ámbito de la informática publica el artículo titulado "Big Data Computing: Creating Revolutionary Breakthroughs in Commerce, Science, and Society" donde se afirma que el "Big Data pueden transformar y transformará las actividades de empresas, investigadores científicos, médicos y las operaciones de defensa e inteligencia de nuestra nación. Probablemente, la informática de Big Data sea la mayor innovación informática de la última década." Este apoyo hizo que el Big Data finalmente lograra la credibilidad intelectual que necesitaba.⁵

Actualmente, la directiva UIT-T Y.3600 de la Unión Internacional de Telecomunicaciones (UIT) define el Big Data como el "paradigma para hacer posible la recopilación, el almacenamiento, la gestión, el análisis y la visualización, potencialmente en condiciones de tiempo real, de grandes conjuntos de datos con características heterogéneas". Aunque hasta hace muy poco, no existía una definición consensuada de este concepto y mucho menos de su aplicación al mundo de la salud, existe el acuerdo de explicar la idea mediante 3 características principales conocidas como las '3 vs' ya comentadas, la gran cantidad de volumen de información que maneja, la enorme velocidad en la generación, recogida y proceso de la información y la variedad de formatos y tipos de información que por su estructura que es capaz de integrar. La información con la que se nutre el Big Data está obtenida en condiciones reales, por ello el Big Data cobra especial importancia en la sanidad porque abarca también la información relacionada con la historia clínica electrónica, los sistemas de prescripciones médicas, de almacenamiento y comunicación de imágenes, y una larga serie de bases de datos construidas con finalidades clínicas.⁶

Hoy en día nuestra sanidad genera una ingente cantidad de datos de gestión clínica, administrativa y contable en distintos formatos (escritos en papel o electrónicos). Datos personales, registros médicos, anotaciones manuscritas del profesional de turno, radiografías, escáneres, resonancias y otras imágenes médicas son algunos ejemplos de esta explosión de información en formato estructurado, semiestructurado o no estructurado.⁷ En cualquiera de las etapas del proceso sanitario esta información no es generalmente empleada como soporte en la toma de decisiones para futuros procesos de idénticas o similares características. La toma de decisiones en el marco de la sanidad desempeña un papel fundamental a la hora de garantizar una asistencia sanitaria de calidad.⁸

La aparición del Big Data en la sanidad ha desarrollado metodologías de análisis de información que permiten almacenar, analizar y tratar datos de una manera más eficiente mejorando los procesos internos al reducir costes, cantidad de información descartada o tratada y tiempos de diagnóstico.⁹ La facilidad en la escalabilidad y su bajo coste permiten disponer de grandes cantidades de datos y eliminar las restricciones de espacio, permitiendo el mantenimiento de registros históricos para poder hacer seguimientos más personalizados para cada paciente o llevar a término estudios más amplios.¹⁰ Su aplicación al análisis de la información de origen sanitario da como resultados la disponibilidad de una potente herramienta de ayuda a la decisión clínica para los profesionales sanitarios, facilita a los gestores sanitarios la gestión de los recursos de forma más eficiente y mejora la prevención, diagnóstico y tratamiento de las enfermedades de los pacientes.¹⁰

La digitalización y posterior análisis de la información sanitaria puede generar grandes beneficios al mejorar los procesos, la gestión económica de los centros sanitarios y el acceso a documentación científica variada. Los campos que en particular están teniendo un mayor desarrollo son la operativa clínica, el diagnóstico y tratamiento del paciente, la mejora de la atención personalizada al usuario, el seguimiento de pacientes crónicos, la medicina personalizada y la mejora de los procesos médicos.¹¹

Centrándonos en el campo de la Obstetricia, las actuaciones de la matrona en atención primaria contemplan sobre todo intervenciones que abordan la realidad social, familiar y comunitaria de la gestante y hacen especial énfasis en la prevención y promoción de la salud, éstas intervenciones o actuaciones podrían mejorar si se contara con más y mejores datos e información de contexto de la zona asistencial, comunidad o población que se atiende.¹² Por ello, el objeto de este estudio será analizar cuáles son las aplicaciones actuales del Big Data en el campo de la Obstetricia y qué mejoras y oportunidades ofrece a la matrona y la gestante como gestoras y usuarias de servicios obstétricos.

Material y Método

    Se realizó una revisión narrativa entre los meses de enero de 2000 y enero de 2017, mediante una búsqueda estructurada en las bases de datos: PubMed, Cochrane, Hindawi, Elsevier y Cuiden. Las palabras clave y descriptores empleados fueron: minería de datos, procesamiento automático de datos, sistemas de Información en Salud, sistemas de Información administrativa, embarazo, Big Data, análisis de datos sanitarios o minería de datos y sus correspondientes en inglés: Data mining, automatic data processing, health information systems, administrative information systems, pregnancy, Big Data and health data analysis or data mining. Se combinaron con operadores booleanos OR y AND para unificar las distintas partes de la búsqueda, la estrategia de búsqueda está incluida en la figura 1 del anexo. A los resultados obtenidos se les aplicaron los siguientes criterios de inclusión:

Criterio 1. Informes, estudios, artículos, revisiones sistemáticas publicadas entre enero de 2000 y enero de 2017 que versen sobre el Big Data y su aplicación a la sanidad en Inglés o español.
Criterio 2. Estudios que ofrezcan estadísticas y resultados del análisis de grandes bases de datos sanitarias, por tanto que incluyan palabras como "resultados" o "comparativas" dentro de los apartados de título o resumen.
Criterio 3. Estudios que describan aplicaciones del análisis del Big Data sanitario a la especialidad específica de Obstetricia. Los resultados obtenidos y las causas de inclusión/exclusión se especifican en la figura 2 del anexo.

Resultados

    En una primera fase de la búsqueda se encontraron 8.810 artículos y estudios relacionados con los descriptores y palabras claves indicadas (Cuiden 6, Pubmed 7.999, Cochrane 44, Hindawi 37 y Elsevier 724), una vez aplicados los criterios de inclusión se seleccionaron 18 referencias útiles a analizar 18-35 que están recogidos en la tabla 1 del anexo.

Los resultados encontrados podemos clasificarlos en tres categorías de análisis. En una primera, el tema central se articula en la definición de qué se entiende por Big Data en sanidad, su importancia en la aportación de valor que consigue al establecer relaciones causales, las limitaciones y riesgos frente a los posibles beneficios que ofrece y el necesario establecimiento de un marco claro y viable para su uso.^8,9

Una segunda categoría estaría centrada en el análisis de técnicas como la minería de datos (Data Mining) que facilitan la conversión de esta información en conocimiento, haciendo posible la integración de éste en un sistema de soporte a la toma de decisiones en el ámbito sanitario.^13-17

El tercer bloque de resultados encontrados están centrados en la aplicación del Big data y las técnicas de análisis y visualización de datos a la Obstetricia. Se han encontrado 18 trabajos^18-35 que relatan experiencias en la aplicación de las técnicas de análisis de la información o minería de datos sobre el Big data de naturaleza ginecológica. Pereira et al.¹⁸ identifican factores obstétricos que se pueden utilizar para predecir la técnica más apropiada para un tipo de parto en concreto, reduciendo el número de cesáreas innecesarias. Brandao et al.^19,20 por su parte desarrollan un modelo para determinar el riesgo asociado a la interrupción voluntaria del embarazo según el tipo de gestante y cuál es el mejor procedimiento para la administración de la medicación correspondiente. Los trabajos de Roy et al.²¹ y Kenny et al.²² se centran en el uso del Big data para determinar el riesgo de preeclampsia en gestantes mediante la detección de niveles altos de triglicéridos y el uso de 14 indicadores metabólicos. Por su parte Gulcim,²³ Aljumah et al.²⁴ y Breault et al.²⁵ desarrollan modelos para predecir la dosificación de insulina en diabéticos (incluyendo gestantes) y los riesgos asociados al mal control de la misma. También se han encontrado estudios para prever los factores de riesgo en nacimientos pretérmino usando el Big Data ayudando a su detección temprana, los estudios de Chen et al.²⁶ y Courtney et al.²⁷ son un ejemplo de ello.

Cabral et al.²⁸ mediante el análisis del Big Data en el triage obstétrico de urgencia mejoran la eficiencia y la seguridad a través del uso adecuado de los recursos y la ayuda al paciente adecuado en el lugar correcto. Lee y Gay²⁹ utilizan el análisis de las bases de datos informatizadas para asociar la fatiga y el sueño con el tipo y trabajo de parto obteniendo que las mujeres con el sueño severamente interrumpido tienen trabajos más largos y tienen una probabilidad mayor (5.2 veces) de tener cesárea.

En el campo de la predicción/estimación, Ferreira, Oliveira y Freitas³⁰ aplicando diferentes algoritmos de clasificación a los datos recogidos predicen la hiperbilirrubinemia posterior con alta precisión (89%) mejorando el diagnóstico de la icteria neonatal. Stragierowicz et al.³¹ estiman los valores de corte de la cotinina como biomarcador para estimar la exposición del feto al tabaco en gestantes fumadoras, Gong, Liu y Chen³² describen cómo utilizar el Big Data para la prevención y control de enfermedades regionales que pueden afectar a las gestantes y Ferreira et al.³³ identifican los patrones característicos materno y fetales para la predicción de la mortalidad neonatal. Por último, otros estudios analizan la implementación de sistemas de ayuda a la decisión apoyados en la gestión del Big Data para mejorar los cuidados que se ofrecen a la gestante³⁴ y cómo a través del análisis de datos y la publicidad emocional y sus herramientas las marcas comerciales conectan emocionalmente con las mujeres embarazadas.³⁵

Se ha encontrado también abundante literatura gris pero se observa que está muy influenciada por la posible rentabilidad económica del target que supone la gestante y además no presenta evidencia científica alguna por lo que se ha omitido.

Discusión

    Los trabajos analizados muestran que la aplicación del Big Data y la minería de datos al entorno de la obstetricia ofrecen a la Gestante mejoras en 3 entornos diferenciados (individual, grupal y social). Individualmente el estudio realizado muestra que el uso del Big Data en Obstetricia puede mejorar el diagnóstico y personalizar el tratamiento, mejorando el control asistencial de la gestante. Entre las aplicaciones encontradas para la gestante tenemos el triage obstétrico, la monitorización remota de electrocardiograma y la detección de patrones de urgencia para la predicción del riesgo Obstétrico (preeclampsia) y el control de la diabetes gestacional, la prevención y control de enfermedades en Obstetricia, la detección de las mejores fechas para ser fértil, la interrupción voluntaria del embarazo y la mejora de los cuidados maternales. No se ha encontrado ningún estudio parecido en el que se analice específicamente la aplicación del Big Data y su análisis a la Obstetricia por lo que no es posible contrastar los resultados con otras investigaciones semejantes.

En el aspecto grupal, las comunidades de gestantes se influyen mutuamente y parte de esta influencia se produce por las redes sociales por lo que con el análisis del Big data podemos predecir enfermedades según los antecedentes médicos y patrones de comportamiento, pronosticar la duración de la estancia de la gestante en el servicio, reducir costes en las unidades de Obstetricia y mejorar el proceso de toma de decisiones, sobre todo en situaciones de crisis. En este aspecto hay que señalar la creciente importancia que para las marcas comerciales va tomando el análisis de los patrones de comportamiento de la gestante como consumidora.

Por último en el aspecto social existe un claro potencial del análisis del Big Data en la gestión de enfermedades infecciosas como la gripe al reforzar la red de vigilancia existente. La detección temprana de su evolución para la vacunación anticipada de la gestante es una de las ventajas obtenidas. La integración de la información que proporciona el Big Data de origen obstétrico a la Atención primaria y especializada permite contar con datos detallados de tratamientos clasificados por tipos de gestantes o realizar segmentaciones y modelos predictivos de acuerdo con sus perfiles.

En el estudio se detecta que el Big data Obstétrico también desarrolla aspectos preocupantes como son la digitalización y análisis de la información clínica obstétrica. La información almacenada en grandes bases de datos se convierte en una herramienta clave aunque reservada por las implicaciones de seguridad y protección de datos del usuario que conlleva (uso de la información personal sensible de la gestante, la lesión del derecho a la intimidad, la falta de seguridad en el acceso a los registros y la deficiente anonimación de los datos, entre otras). El análisis de esta información puede asegurar que se apliquen los mejores algoritmos de tratamientos personalizados para cada gestante y se realice una gestión proactiva de la misma, fortaleciendo vínculos y estrechando relaciones personales. A día de hoy la Ley Orgánica de Protección de Datos (LOPD) es la normativa que gobierna en España la gestión de la protección de datos personales, incluidos los datos sanitarios. Cuando creamos un Big Data anónimo se elimina la información personal, por tanto se procura que sea imposible identificar a las personas físicas que han aportado esos datos. En los casos en que es necesario que la información no sea anónima (por ejemplo en la elaboración de modelos predictivos en medicina personalizadas) se debe salvaguardar la protección de datos personales cumpliendo la LOPD con los mecanismos que la ley nos exige, como cualquier sistema que albergue datos tan sensibles como los sanitarios.

Limitaciones del estudio

    Como limitaciones podemos indicar que no existe demasiada literatura sobre el enfoque del análisis de grandes bases de datos o Big Data en gestantes. La literatura anglosajona es más abundante aunque se centra sobre todo en aspectos prácticos y el desarrollo de técnicas para el análisis de datos sanitarios y la comercialización de resultados, la literatura en español es escasa y a menudo se trata de literatura gris y artículos en Internet sin rigor científico alguno. Los resultados de este estudio tienen validez temporal, dada la rápida expansión que está experimentando este tipo de técnicas de análisis de datos en todo el mundo. Otro factor limitante del estudio es el proceso de toma de datos y la diferente metodología que utilizan los resultados encontrados a la hora de evaluar su eficacia.

Conclusiones

    El potencial que tiene el procesamiento y análisis del Big Data Obstétrico para apoyar la toma de decisiones informadas y confiables por la gestante y el personal sanitario es enorme. En el estudio se han detectado mejoras para las gestantes en 3 entornos diferenciados; el individual, grupal y social entre los que destacan por su aplicabilidad la detección de patrones de urgencia para la predicción del riesgo Obstétrico (preeclampsia) y el control de la diabetes gestacional.

El nuevo entorno que desarrolla la tecnología del Big Data impulsa a la gestante hacia una Obstetricia más personalizada (enfocada en el individuo), preventiva (diseñando soluciones que prevengan complicaciones y enfermedades), predictiva (detectando patologías ante que aparezcan los síntomas) y participativa (incrementando la interrelación matrona-gestante).

Tomando una perspectiva de largo plazo, la interpretación de los datos en Obstetricia y su difusión serán fundamentales para generar importantes avances en el cuidado de las gestantes. En menos tiempo de lo que creemos habrá especialidades sanitarias que serán fácilmente automatizadas por lo que será el factor humano lo que diferenciará la calidad en la atención a la gestante, alejándose de la estandarización de los cuidados, ofreciendo un servicio personalizado y mucho más satisfactorio.

Bibliografía

1. En.oxforddictionaries.com, The Oxford English Dictionary's [sede web]. Oxford: en.oxforddictionaries.com; 2017 [acceso 11 febrero 2017]. Disponible en: https://en.oxforddictionaries.com/definition/information_explosion.
2. Wikipedia [base de datos de Internet]. San Francisco, California, Estados Unidos. Fundación Wikipedia [acceso 11 febrero 2017]. Disponible en: https://www.princeton.edu/~achaney/tmve/wiki100k/docs/Information_explosion.html.
3. Cox M, Ellsworth D. Application-Controlled Demand Paging for Out-of-Core. Proceedings of Visualization. 1997 ; (10): 1-12. Disponible en: https://www.nas.nasa.gov/assets/pdf/techreports/1997/nas-97-010.pdf.
4. Laney D. 3D Data Management: Controlling Data Volume, Valocity and Variety. Application Delivery Strategies. Meta Group. 2001;2 :1-4. File 949. Disponible en: https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf.
5. Bryant R E, Katz R H, Lazowska E D. Big-Data Computing: Creating revolutionary breakthroughs in commerce, science, and society: A white paper prepared for the Computing Community Consortium committee of the Computing Research Association. 2008. Disponible en: https://www.cra.org/ccc/files/docs/init/Big_Data.pdf.
6. Global information infrastructure, internet protocol aspects and next-generation networks. Y.3600 : Big data - Requisitos y capacidades basados en la computación en la nube. [monografía en Internet]. Genova: Unión Internacional de Telecomunicaciones; 2015 [acceso 2 Abril 2017]. Disponible en: https://www.itu.int/rec/T-REC-Y.3600-201511-I/es.
7. Bellazzi R. Big data and biomedical informatics: a challenging opportunity. Yearbook of Medical Informatics. 2014;9:8-13.
8. Dios Rubio MA, Molina Pariente JM, Framiñán Torres JM, Domínguez Cañizares D. Gestión del conocimiento en el ámbito sanitario: revisión de la literatura. 4th International Conference on Industrial Engineering and Industrial Management, XIV Congreso de Ingeniería de Organización. 2010, Donostia- San Sebastián.
9. Baro E, Degoul S, Beuscart R. Toward a literature-driven definition of big data in healthcare. BioMed Research International. 2015; 2015:639021.
10. Stiglich P, Rajagopal H. Using Big Data for Improved Healthcare Operations and Analytics. Slide Share [Internet]. 30 de Mayo de 2012 [acceso 17 Diciembre 2016]. Disponible en: https://www.slideshare.net/perficientinc/using-big-data-for-improved-healthcare-operations-and-analytics.
11. Durairaj M, Ranjani V. Data Mining Applications In Healthcare Sector: A Study. International Journal of scientific & technology rersearch. 2013; 2(10): 29-35.
12. Fernández Cuesta A, Manrique Tejedor J, Echevarría Amado-Loriga P. Competencias de la Matrona. Colegio Oficial de Enfermeros de Lérida. AgInf. 2013; 65(17), 34-35. Disponible en: https://www.agoradenfermeria.eu/magazine/articles/033_coill_es.pdf.
13. Belle A, Thiagarajan R, Soroushmehr SM, Navidi F, Beard D, Najarian K. Big Data Analytics in Healthcare. BioMed Research International. 2015; Article ID 370194: 1-16.
14. Obenshain MK. Application of Data Mining Techniques to Healthcare Data. ICHE. 2004 ;25 (8): 690-695.
15. Desikan P, Hsu K, Srivastava J. Data mining for Healthcare management. SIAM International Conference on Data Mining. 2011, Mesa, Arizona, USA.
16. Niaksu O, Kurasova O. Data Mining Application in Healthcare Research vs Practice. CEUR Workshop Proceedings. 2012; 924: 58-70.
17. Chye Koh H, Tan G. Data Mining Applications in Healthcare. JHIM. 2005; 19 (2): 64-72.
18. Pereira S, Portela F, Santos MF, Machado J, Abelha A. Predicting Type of Delivery by Identification of Obstetric Risk Factors through Data Mining. Procedia Computer Science. 2015; 64: 601-609.
19. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Predicting the risk associated to pregnancy using data mining. ICAART. 2015; 178: 1-8.
20. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Managing Voluntary Interruption of Pregnancy using Data Mining. Procedia Technology. 2014; 16: 1297-1306.
21. Ray J, Diamond P, Singh G, Bell C. Brief overview of maternal triglycerides as a risk factor for pre-eclampsia. BJOG. 2006; 113:379-386.
22. Kenny LC, Broadhurst DI, Dunn W, Brown M, North RA, McCowan L, et al. Robust Early Pregnancy Prediction of Later Preeclampsia Using Metabolomic Biomarkers. Hypertension. 2010;56:741-749.
23. Gülçin E, Karahocaa A, Uçara T. Dosage planning for diabetes patients using data mining methods. Procedia Computer Science. 2011; 3: 1374-1380.
24. Aljumah A, Ahamad MG, Khubeb Siddiqui M. Application of data mining: Diabetes health care in young and old patients. Computer and Information Sciences. 2013; 25: 127-136.
25. Breaulta JL, Goodallc CR, Fos PJ. Data mining a diabetic data warehouse. Artificial Intelligence in Medicine. 2002; 26:37-54.
26. Chen HY, Chuang CH, Yang YJ, Wuc TP. Exploring the risk factors of preterm birth using data mining. Expert Systems with Applications. 2011; 38: 5384-5387.
27. Courtnet KL, Stewart S, Popescu M, Goodwin LK. Predictors of Preterm Birth in Birth Certificate Data. En: eHealth Beyond the Horizon - Get IT There. MIE 2008. S.K. Andersen et al. (Eds.) IOS Press; 2008. P. 555-560.
28. Cabral A, Pina A, Machado H, Abelha A, Salazar M, Quintas C, et al. Data Acquisition Process for an Intelligent Decision Support in Gynecology and Obstetrics Emergency Triage. Communications in Computer and Information Science. 2011; 221: 223-232.
29. Lee KA, Gay CL. Sleep in late pregnancy predicts length of labor and type of delivery. American Journal of Obstetrics and Gynecology. 2004; 191: 2041- 6.
30. Ferreira D, Oliveira A, Freitas A. Applying data mining techniques to improve diagnosis in neonatal jaundice. BMC Medical Informatics and Decision Making. 2012; 12(143): 1-6.
31. Stragierowicz J, MikoBajewska K, Zawadzka-Stolarz M, PolaNska K, Ligocka D. Estimation of Cutoff Values of Cotinine in Urine and Saliva for Pregnant Women in Poland. BioMed Research International. 2013; Article ID 386784: 1-11.
32. Gong J, Liu S, Chen D. Use of big data - targeted prevention and control of regional and seasonal diseases in obstetrics. CJPR. 2015; 35(10): 1033-1036.
33. Xavier Ferreira RC, Cabral Bar Moro CM, Moyses JS, Carvalho D, Nievola JC. La minería de datos y las características de la mortalidad infantil. Cad. Saúde Pública. 2010; 26(3): 1-8.
34. Pereira E, Portela F, Santos MF, Machado J, Abelha A. Real-time Business Intelligence platform to maternity care. En: IEEE International Conference on Biomedical Engineering and Sciences (IECBES). 2014, Miri, Sarawak, Malaysia. IEEE International; 2014. 379-384.
35. Ruíz Aguilar DA. Guía para la aplicación de marketing de experiencias a través del uso de neuromarketing y publicidad emocional en el mercado de mujeres embarazadas. Caso N cinta. Dirigida por Jorge Bohórquez. Tesis doctoral. Universidad de las Américas, Quito, 2014. Disponible en: https://200.24.220.94/bitstream/33000/3627/1/UDLA-EC-TPU-2014-10%28S%29.pdf.
 

Anexo

Figura 1. Estrategia de búsqueda realizada

Fuente: Elaboración Propia

Figura 2. Estrategia de búsqueda realizada

Fuente: Elaboración Propia

Tabla 1. Resultados relevantes del estudio

Fuente: Elaboración propia