Sistema inteligente para la detección no invasiva de anemia en mujeres embarazadas de poblaciones vulnerables en la región San Martín mediante visión computacional y aprendizaje profundo

La anemia en mujeres embarazadas representa un problema de salud pública significativo, especialmente en poblaciones vulnerables con acceso limitado a diagnóstico temprano y tratamiento oportuno. En la región San Martín, el monitoreo de los niveles de hemoglobina se basa en pruebas invasivas de laboratorio, cuya disponibilidad está condicionada por la infraestructura hospitalaria, el acceso económico y la cobertura de los servicios de salud. La falta de una detección temprana aumenta el riesgo de complicaciones obstétricas, partos prematuros y morbilidad materno-infantil, lo que resalta la necesidad de alternativas no invasivas y accesibles para el diagnóstico de la anemia materna. En este contexto, el presente estudio tiene como objetivo desarrollar e implementar un sistema inteligente basado en visión computacional y aprendizaje profundo para la detección no invasiva de anemia en mujeres embarazadas a partir del análisis de imágenes biomédicas. La metodología propuesta seguirá un enfoque experimental y comparativo, basado en la recolección y procesamiento de imágenes biomédicas de la conjuntiva ocular, uñas y mucosa labial de mujeres embarazadas, capturadas mediante dispositivos móviles de alta resolución. Previo a la participación, se solicitará a cada voluntaria la firma del consentimiento informado, garantizando el respeto a los principios éticos y la aceptación libre y voluntaria del proceso de recolección de datos. La validación del modelo se realizará mediante la comparación de los resultados obtenidos con mediciones de hemoglobina registradas con el dispositivo Rad-67, asegurando así la correlación entre las características visuales y los valores reales de hemoglobina. Para el procesamiento se emplearán redes neuronales convolucionales (CNN) destinadas a la segmentación y clasificación de imágenes, optimizadas mediante técnicas de aprendizaje por transferencia y ajuste de hiperparámetros. Los datos recopilados serán sometidos a procesos de preprocesamiento digital, normalización y aumento de datos, con el objetivo de garantizar la calidad, representatividad y robustez del conjunto de entrenamiento. Se espera que el modelo propuesto alcance una precisión superior al 90% en la clasificación de anemia, validando su desempeño mediante métricas de evaluación como precisión, sensibilidad, especificidad, F1-score y AUC-ROC. Además, la implementación del sistema en centros de salud de los distritos de Tarapoto, Banda de Shilcayo y Morales permitirá evaluar su aplicabilidad en entornos clínicos reales. La contribución de este estudio radica en la posibilidad de reducir la dependencia de pruebas invasivas y costosas, mejorando la accesibilidad a diagnósticos oportunos en zonas con infraestructura sanitaria limitada. Los resultados esperados incluyen la generación de un sistema inteligente escalable y adaptable, que pueda integrarse en dispositivos móviles para su uso en programas de salud materna, contribuyendo a la reducción de la mortalidad materna y neonatal. Asimismo, la validación de este enfoque podrá sentar las bases para su ampliación a otras poblaciones vulnerables y su futura implementación en políticas de salud pública. La combinación de visión computacional, inteligencia artificial y tecnología móvil representa una solución innovadora y sostenible para la detección temprana de anemia en mujeres embarazadas, con un impacto significativo en la atención prenatal y la calidad de vida de las gestantes en regiones de difícil acceso a servicios médicos especializados.