Hacia Una Nueva Era Del Diagnóstico Prenatal

Ivana Frías, MD, miembro de Aipocrates. Residente de Genética Médica

Una gestación es un mar de emociones, expectativas e incertidumbres. Para manejar la incertidumbre entramos al mundo de las probabilidades, cuyo punto de partida son las certezas que nos brindan estudios epidemiológicos de prevalencias, casos y cohortes.

Se considera que aproximadamente entre el 3% y el 5% de los embarazos se complican por defectos congénitos o trastornos genéticos, mientras que las anomalías cromosómicas se encuentran presentes en alrededor de 1 de cada 150 nacimientos vivos (Carlson & Vora, 2017). Condiciones asociadas a la morbimortalidad perinatal y pueden tener repercusiones significativas en la calidad de vida del paciente y su familia.

Para esto, se desarrolló el diagnóstico prenatal, un conjunto de procedimientos clínicos y genéticos que permiten la detección temprana in utero de anomalías congénitas y trastornos genéticos (ACOG, 2016; Cunningham, 2019). Pero, el diagnóstico prenatal va mucho más allá de identificar una enfermedad antes del nacimiento, proporciona información precisa sobre el pronóstico a corto y largo plazo, el riesgo de recurrencia y las opciones terapéuticas disponibles, favoreciendo una adecuada orientación de los padres y la optimización de los resultados perinatales (ACOG, 2016; Cunningham, 2019).

Asimismo, permite preparar a los padres ante la llegada de un hijo con necesidades médicas específicas o, en algunos casos, la posible pérdida del embarazo. En esencia, busca proporcionar a las familias información clara, suficiente y oportuna que les permita comprender la condición de su hijo y participar activamente en la toma de decisiones. Contribuye a planificar el seguimiento prenatal, el momento, la vía y el lugar más adecuados para el nacimiento; facilita la participación de equipos multidisciplinarios especializados y permite valorar intervenciones terapéuticas durante la gestación cuando estas están disponibles (Carlson & Vora, 2017; Fernández-Hernández et al., 2013).

¿Cuándo está indicado el diagnóstico prenatal?

Tradicionalmente, el diagnóstico prenatal se ha indicado en embarazos con un riesgo incrementado de anomalías cromosómicas o enfermedades genéticas. Los principales factores asociados con el riesgo y se han convertido en indicaciones son: la edad materna >35 años, resultados positivos en las pruebas de cribado para aneuploidías, antecedentes familiares de enfermedades genéticas, la identificación de anomalías fetales mediante ultrasonido y cuando ambos progenitores son portadores de una enfermedad genética conocida o cuando alguno de ellos presenta una alteración cromosómica balanceada que incrementa el riesgo de anomalías en la descendencia (Batra et al., 2021; Santoli et al., 2025).

No obstante, los avances tecnológicos han transformado este paradigma. Actualmente, las principales sociedades científicas recomiendan que todas las mujeres embarazadas reciban información sobre las opciones disponibles de cribado y diagnóstico prenatal, independientemente de su edad o nivel de riesgo. Este enfoque busca promover una toma de decisiones informada, basada tanto en la evidencia científica como en los valores y preferencias de cada familia (Santoli et al., 2025).

Pruebas de cribado y pruebas diagnósticas: ¿cuál es la diferencia?

Las herramientas disponibles para la evaluación prenatal pueden dividirse en dos grandes grupos: pruebas de cribado o tamizaje y pruebas diagnósticas.

Las pruebas de cribado permiten estimar el riesgo de que el producto de la gestación presente determinadas alteraciones cromosómicas o genéticas. Entre ellas se encuentran el ultrasonido obstétrico, el cribado combinado del primer trimestre y el análisis de ADN fetal libre circulante en sangre materna o prueba prenatal no invasiva (NIPT).

Por otro lado, las pruebas diagnósticas tienen como finalidad confirmar o descartar de manera definitiva una condición específica. Estas incluyen procedimientos invasivos como la biopsia de vellosidades coriales y la amniocentesis, que permiten obtener material fetal para estudios genéticos (Sparks & Dugoff, 2023).

Las herramientas actuales del diagnóstico prenatal

En la actualidad, el diagnóstico prenatal dispone de múltiples herramientas capaces de evaluar al feto desde diferentes perspectivas. Algunas permiten identificar anomalías estructurales, otras detectar alteraciones cromosómicas y, más recientemente, las tecnologías de secuenciación de nueva generación (NGS) han hecho posible el diagnóstico de enfermedades monogénicas. Lejos de competir entre sí, estas herramientas son complementarias y su selección depende de los hallazgos clínicos, los antecedentes familiares y la sospecha diagnóstica.

Ultrasonido obstétrico

El ultrasonido continúa siendo la piedra angular y constituye el primer paso en la evaluación. Su importancia radica no solo en su accesibilidad y disponibilidad, sino que los  hallazgos ecográficos valoran la localización placentaria, el volumen de líquido amniótico,  el crecimiento y bienestar del feto, la anatomía de órganos y sistemas, e identifica una amplia variedad de anomalías estructurales congénitas que representan la primera señal de una condición genética subyacente.

La detección de alteraciones cardiacas, del sistema nervioso central, esqueléticas o anomalías multisistémicas orientan la selección de estudios genéticos posteriores y aumentan significativamente el rendimiento diagnóstico.

Prueba prenatal no invasiva (NIPT)

La introducción de la NIPT transformó el cribado prenatal al permitir el análisis de ADN fetal libre circulante en sangre materna sin exponer al embarazo a los riesgos asociados con procedimientos invasivos. Actualmente, el NIPT presenta una elevada sensibilidad y especificidad para la detección de aneuploidías comunes, particularmente trisomía 21 (síndrome de Down), trisomía 18 (síndrome de Edwards) y trisomía 13 (síndrome de Patau). Algunas plataformas también incluyen la evaluación de cromosomas sexuales y determinadas microdeleciones.

Sin embargo, es importante recordar que el NIPT sigue siendo una prueba de cribado. Un resultado positivo indica un riesgo aumentado, pero no establece un diagnóstico definitivo, por lo que requiere confirmación mediante amniocentesis o la biopsia de vellosidades coriales (Carlson & Vora, 2017).

Cariotipo y microarreglo cromosómico

Cuando existe una indicación de amnioscentesis o biopsia de vellosidades coriónicas, el análisis cromosómico por cariotipo continúa desempeñando un papel fundamental. Permite identificar alteraciones cromosómicas numéricas y estructurales visibles al microscopio, incluyendo trisomías, monosomías, translocaciones y otros rearreglos cromosómicos.

Por otro lado, el microarreglo cromosómico (chromosomal microarray, CMA) ofrece una resolución superior, permitiendo detectar pérdidas o ganancias submicroscópicas de material genético, conocidas como variantes en el número de copias (CNV), que pueden ser responsables de múltiples síndromes genéticos y trastornos del neurodesarrollo. Debido a su mayor rendimiento diagnóstico, actualmente se considera una de las pruebas de primera línea cuando se identifican anomalías en el ultrasonido (Sparks & Dugoff, 2023).

Secuenciación masiva (NGS): paneles, exoma y genoma

Los avances en NGS han ampliado notablemente las posibilidades diagnósticas en medicina fetal. Estas tecnologías incluyen paneles de genes dirigidos, secuenciación de exoma y secuenciación de genoma completo, permitiendo analizar el ADN a nivel de nucleótidos e identificar variantes responsables de enfermedades monogénicas hereditarias o de novo.

Su utilidad es relevante en fetos con anomalías estructurales complejas, múltiples malformaciones o cuando estudios previos como el cariotipo y el microarreglo cromosómico no han permitido establecer una etiología precisa. Estas herramientas han demostrado incrementar significativamente el rendimiento diagnóstico en medicina fetal, facilitando el reconocimiento de síndromes genéticos de baja prevalencia y mejorando el asesoramiento genético para las familias (Santoli et al., 2025).

En conjunto, estas herramientas conforman una estrategia diagnóstica escalonada que va desde la evaluación anatómica fetal hasta el análisis detallado del genoma. Esta integración de imagenología, citogenética y biología molecular constituye la base del diagnóstico prenatal moderno y sienta las bases para la incorporación de nuevas tecnologías, incluida la inteligencia artificial (IA), en la medicina fetal del futuro.

La inteligencia artificial: una nueva era para el diagnóstico prenatal

Los avances en genética molecular, secuenciación masiva e imagenología fetal han generado una enorme cantidad de datos que debe ser interpretada de forma rápida y precisa. En este contexto la IA se perfila como una de las herramientas más prometedoras para complementar el trabajo de especialistas en medicina fetal y genética médica, permitiendo mejorar la detección, clasificación e interpretación de anomalías fetales (Vargas-Vera et al., 2025).

Inteligencia artificial aplicada al ultrasonido prenatal

Aunque el ultrasonido continúa siendo fundamental para la evaluación fetal, su rendimiento depende en gran medida de la experiencia del operador, la calidad del equipo y diversos factores maternos y fetales que pueden influir en la obtención e interpretación de las imágenes.

Modelos de IA tipo aprendizaje profundo (deep learning) han mostrado mayor desarrollo en el análisis automatizado de imágenes ecográficas, capaces de reconocer estructuras anatómicas, realizar mediciones automáticas y detectar patrones sugestivos de anomalías congénitas, reduciendo parte de la variabilidad inherente al estudio ecográfico.

En la actualidad, el ecosistema de inteligencia artificial aplicada al ultrasonido prenatal se sustenta principalmente en tres categorías de modelos:

• Los modelos de clasificación
  • Basados en Redes Neuronales Convolucionales (Convolutional Neural Networks, CNN)
  • La función es extraer de manera jerárquica características visuales a partir de las imágenes ecográficas. Las capas iniciales identifican patrones simples, como bordes y texturas, mientras que las capas más profundas reconocen estructuras anatómicas y patrones morfológicos complejos.
  • Objetivo la clasificación automática de planos ecográficos, la evaluación anatómica fetal y la detección de hallazgos sugestivos de anomalías congénitas.
  • Las arquitecturas más utilizadas destacan 
    • ResNet (Residual Networks), empleadas para la clasificación de imágenes y la identificación automática de planos anatómicos específicos.
    • EfficientNet, optimiza el equilibrio entre precisión diagnóstica y costo computacional,  maximiza la precisión diagnóstica con una menor demanda computacional.
• Segmentación semántica
  • Para tareas que requieren la delimitación precisa de estructuras anatómicas. Estas arquitecturas permiten clasificar cada píxel de la imagen, identificando con exactitud los contornos de órganos y estructuras fetales.
  • Esencial para la medición automatizada de parámetros biométricos, la evaluación cardíaca fetal y el análisis detallado de estructuras anatómicas complejas.
  • U-Net es la arquitectura más ampliamente. Su diseño tipo codificador-decodificador combina información global y local de la imagen, facilitando una segmentación precisa incluso cuando las estructuras presentan límites poco definidos.
  • DeepLab, otra arquitectura, incorpora convoluciones dilatadas (atrous convolutions) para capturar información contextual a múltiples escalas, característica útil en anatomías fetales con una marcada variabilidad de tamaño y forma.

El creciente volumen de datos ecográficos, genéticos y clínicos está impulsando la adopción de modelos multimodales capaces de superar las limitaciones de las CNN convencionales al integra las ecográficas, clínicas maternas y datos genómicos para generar predicciones más precisas que las obtenidas mediante el análisis aislado de imágenes, uno de los principales ejes de desarrollo de la medicina fetal de precisión.

Los Modelos de Integración Multimodal

• Combinan información de múltiples fuentes, incluyendo imágenes ecográficas, datos clínicos y perfiles genéticos.
• Las arquitecturas más relevantes:
  • Modelos de fusión tardía (Late Fusion): integran las características extraídas por una CNN con variables clínicas o genéticas mediante capas densamente conectadas, generando una representación conjunta para apoyar el diagnóstico.
  • Vision Transformers (ViT): capacidad para capturar relaciones complejas y dependencias de largo alcance dentro de los datos. Permite asociar hallazgos ecográficos específicos con marcadores genéticos o características clínicas relevantes.

La IA ha demostrado utilidad para reconocer planos ecocardiográficos estándar, segmentar estructuras cardíacas y asistir en la identificación de anomalías cardíacas fetales, integrar hallazgos ecográficos, información genética y datos clínicos maternos para mejorar la estratificación del riesgo y apoyar la toma de decisiones clínicas (Liu et al., 2024)

Diversos modelos han alcanzado un desempeño diagnóstico sobresaliente mediante el análisis automatizado con sensibilidades y especificidades superiores al 95 % para la detección de determinadas anomalías fetales mediante el análisis automatizado de imágenes ecográficas (Dunne et al., 2025), reduciendo el tiempo necesario para la exploración ultrasonográfica (Yeganegi et al., 2025).

La IA ha mostrado resultados prometedores en la detección prenatal de cardiopatías congénitas, una de las malformaciones más frecuentes y una causa importante de morbimortalidad neonatal y defectos del tubo neural. Esto resulta relevante considerando que muchas de estas condiciones requieren intervenciones médicas tempranas, planificación perinatal especializada o asesoramiento genético oportuno, ampliando el acceso a herramientas diagnósticas especializadas, particularmente en entornos con disponibilidad limitada de expertos en medicina materno-fetal.

La IA puede complementar el trabajo de los especialistas, optimizar la adquisición de imágenes y contribuir a una detección más temprana y precisa de alteraciones fetales (Dunne et al., 2025).

Inteligencia artificial y genética

La aplicación de la IA también se está extendiendo al análisis de datos genómicos. Actualmente, estudios como los CMA, la secuenciación de exoma y la secuenciación de genoma generan miles de variantes genéticas cuya interpretación puede resultar compleja y demandar mucho tiempo.

Uno de los campos más prometedores es el análisis del ADN fetal libre circulante (cell-free DNA, cfDNA), fundamento del NIPT, la determinación precisa de la fracción fetal constituye uno de los principales indicadores de calidad del NIPT. Al utilizar el tamaño del fragmento (el «perfil de corte» del ADN) como feature (variable de entrada), el modelo de  captura una señal biológica que la secuenciación tradicional (solo letras ATGC) pasaba por alto. Uno de los avances más innovadores corresponde a la detección prenatal no invasiva de enfermedades monogénicas. Aunque las pruebas NIPT fueron desarrolladas inicialmente para el cribado de aneuploidías, las variantes de un solo nucleótido (SNV), responsables de miles de enfermedades hereditarias, representan actualmente una nueva frontera diagnóstica.

El desarrollo de Análisis de Modelos en Genómica Prenatal, estima la Fracción Fetal (SeqFF y PREFACE), que emplean ML para estimar la distribución de fragmentos de ADN fetal presente en la muestra materna. Emplean principalmente Regresión Lineal Múltiple y Modelos de Regresión de Vectores de Soporte (SVR), ideales para problemas donde se busca predecir un valor numérico continuo (% fracción fetal) a partir de múltiples variables (conteos de lecturas en diferentes regiones genómicas). Mejorando la confiabilidad de los resultados obtenidos, la promesa de la detección de microdeleciones y otras alteraciones cromosómicas submicroscópicas mediante el análisis de datos de secuenciación del cfDNA.  

Aunque estas aplicaciones aún requieren validación adicional antes de su implementación generalizada, podrían ampliar significativamente las capacidades diagnósticas de las pruebas prenatales no invasivas en el futuro, (Tsui et al., 2025), la integración con los modelos de IA permite:

• La asociación de información genética, epigenética y fragmentómica para mejorar la detección de alteraciones fetales, optimizar la estimación de la fracción fetal y aumentar la precisión de estas pruebas.
• Priorizar variantes potencialmente patogénicas, identificar patrones moleculares relevantes y optimizar la interpretación de resultados genéticos, contribuyendo a una evaluación más rápida y precisa de los hallazgos prenatales (Vargas-Vera et al., 2025).

En este sentido, Liscovitch-Brauer y colaboradores en una cohorte clínica desarrollaron una estrategia que combina características fragmentómicas del cfDNA (patrones de tamaño de los fragmentos de ADN, que difieren entre feto y madre y modelos de ML basados en:

• Bosques aleatorios (random forest o modelos ensemble basados en árboles de decisión). Altamente efectivos para manejar datos tabulares complejos con interacciones no lineales entre las características (tamaño del fragmento, posición genómica, cobertura de lectura) heredadas tanto por vía materna como paterna.
• Los Modelos de Inferencia  Bayesiana, calculan la probabilidad a posteriori de que una variante sea heredada (paterna/materna) considerando la incertidumbre inherente a los datos de secuenciación. (Liscovitch-Brauer et al. 2024)

Los Bosques Aleatorios y las herramientas bayesianas actúan hoy como un filtro inteligente que permite al genetista descartar ruido y centrarse en las variantes que realmente tienen impacto clínico para predecir variantes, reduciendo drásticamente el tiempo de análisis.

El sistema alcanzó excelentes niveles de desempeño diagnóstico e identificó correctamente el estado afectado o no afectado del feto en todas las familias portadoras de variantes patogénicas incluidas en el estudio (Liscovitch-Brauer et al., 2024).

El Análisis de Variantes Genéticas (CMA, Exoma, Genoma) y clasificación de variantes según su patogenicidad (ACMG/AMP), se caracteriza por el uso de:

• Redes Neuronales Profundas (DNN)
  • Perceptrones Multicapa (MLP) o redes densas
    • Para la interpretación de variantes de significado incierto (VUS)
    • Integra datos multi-ómicos para refinar la interpretación de variantes encontradas en el CMA o el genoma completo.
  • Redes Neuronales Recurrentes (RNN), LSTM (Long Short-Term Memory) y Transformers
    • Arquitecturas diseñadas para procesar lenguaje natural dado que el ADN y las proteínas son esencialmente secuencias de letras.
    • Permiten entender el «contexto» de una variante. Si una mutación altera una región reguladora, el modelo analiza las secuencias flanqueantes (antes y después de la variante) para predecir si afectará el splicing o la unión de factores de transcripción.
  • Graph Neural Networks (GNN)
    • Analizan las variantes como «nodos» dentro de un grafo de interacciones biológicas, permitiendo identificar cómo una variante específica en un gen altera una red completa de señalización celular. Pues, las enfermedades genéticas y las variantes no actúan aisladas; pertenecen a redes metabólicas o de interacción proteína-proteína.
• Gradient Boosting Machines (XGBoost/LightGBM).
  • ML tipo ensmable
  • Dominan la priorización de variantes, pueden clasificar eficazmente miles de variantes (benignas vs. patogénicas) basándose en anotaciones clínicas, conservacionismo evolutivo y datos funcionales.

Resumen de Modelos Identificados

Aplicación	Modelo Principal	¿Por qué funciona?
Fracción Fetal	Regresión (SVR/Lineal)	Predicción numérica precisa basada en conteos genómicos.
Enfermedades Monogénicas	Random Forest	Excelente para clasificar estados binarios (afecto/sano) usando datos fragmentómicos.
Priorización de Variantes	Gradient Boosting (XGBoost)	Manejo eficiente de grandes volúmenes de datos tabulares y anotaciones.
Inferencia de Origen	Inferencia Bayesiana	Modelo estadístico para integrar probabilidades de herencia paterna/materna.

Consideraciones éticas: más allá de la precisión diagnóstica

Con la integración de estos modelos surgen importantes desafíos éticos que deben abordarse paralelamente a los avances tecnológicos.

Uno de los principales retos es la transparencia de los algoritmos. Muchos sistemas funcionan como verdaderas «cajas negras», generando resultados cuya lógica interna puede resultar difícil de comprender incluso para sus desarrolladores. En un contexto donde los hallazgos pueden influir en decisiones reproductivas complejas, resulta fundamental comprender las fortalezas, limitaciones y niveles de incertidumbre asociados a estas herramientas (Coghlan et al., 2024).

Otro aspecto relevante es la aparición de hallazgos incidentales. La creciente capacidad para analizar datos genómicos aumenta la posibilidad de identificar variantes no relacionadas con el motivo inicial del estudio, incluyendo predisposiciones a enfermedades de aparición tardía. Esto plantea interrogantes sobre qué información debe comunicarse, cuándo hacerlo y cómo respetar tanto la autonomía de los padres como los futuros derechos del niño (Coghlan et al., 2024).

La privacidad y protección de los datos genómicos constituye otro desafío fundamental. Los sistemas de IA requieren grandes cantidades de información para su entrenamiento y validación, por lo que es indispensable garantizar mecanismos robustos de seguridad y confidencialidad que eviten usos indebidos o accesos no autorizados a información altamente sensible.

Asimismo, existe el riesgo de que los algoritmos reproduzcan o amplifiquen sesgos presentes en los datos utilizados para su desarrollo. Muchas bases de datos genómicas continúan estando sobrerrepresentadas por individuos con ancestría europea, lo que puede disminuir la precisión diagnóstica en otras poblaciones y generar inequidades en el acceso a los beneficios de estas tecnologías (Coghlan et al., 2024).

Por último, aunque la IA puede convertirse en una poderosa herramienta de apoyo, las decisiones médicas continúan requiriendo supervisión humana. La IA debe entenderse como un sistema de apoyo a la decisión clínica y no como un sustituto del juicio médico ni del asesoramiento genético. La responsabilidad final sobre la interpretación de los resultados y el acompañamiento de las familias debe permanecer en manos de profesionales capacitados (Coghlan et al., 2024).

Conclusión

El diagnóstico prenatal ha experimentado una transformación extraordinaria en las últimas décadas, evolucionando desde la identificación de anomalías cromosómicas mediante técnicas convencionales hasta la incorporación de tecnologías avanzadas de imagen, NGS, e IA.

Hoy nos encontramos ante el inicio de una nueva etapa en la medicina fetal. La capacidad de integrar información clínica, ecográfica y genética está acercándonos a un modelo de medicina de precisión prenatal, en el que los riesgos pueden identificarse con mayor anticipación y las decisiones clínicas pueden adaptarse a las características particulares de cada embarazo.

En este contexto, la principal fortaleza de la IA probablemente no radique en sustituir una prueba o un profesional, sino en su capacidad para conectar e interpretar simultáneamente enormes volúmenes de información que, de otro modo, resultarían difíciles de analizar de manera integral.

Sin embargo, el verdadero valor de estas tecnologías no se medirá únicamente por su capacidad para detectar enfermedades con mayor precisión, sino por su potencial para mejorar la atención de las familias. La información genética y prenatal debe ser no solo más exacta, sino también comprensible, accesible y utilizada de manera ética y responsable.

La IA no reemplazará al médico, pero promete convertirse en una herramienta fundamental para apoyar la toma de decisiones, fortalecer el asesoramiento genético y contribuir a una atención prenatal más precisa, equitativa y centrada en los pacientes.

Referencias

1. American College of Obstetricians and Gynecologists. (2016). Practice bulletin No. 162: Prenatal diagnostic testing for genetic disorders. Obstetrics & Gynecology, 127(5), e108–e122. https://doi.org/10.1097/AOG.0000000000001405
2. Batra, M., Sharma, K. A., Singh, C., Kumar, S., Choudhary, V., Sharma, A., … & Society of Fetal Medicine. (2021). SFM clinical practice recommendations for prenatal invasive diagnostic procedures. Journal of Fetal Medicine, 8(2), 85–96. https://doi.org/10.1007/s40556-021-00311-9
3. Carlson, L. M., & Vora, N. L. (2017). Prenatal diagnosis: Screening and diagnostic tools. Obstetrics and Gynecology Clinics of North America, 44(2), 245–256. https://doi.org/10.1016/j.ogc.2017.02.004
4. Coghlan, S., Gyngell, C., & Vears, D. F. (2024). Ethics of artificial intelligence in prenatal and pediatric genomic medicine. Journal of Community Genetics, 15(1), 13–24. https://doi.org/10.1007/s12687-023-00672-4
5. Cunningham, F. G., Leveno, K. J., Bloom, S. L., Dashe, J. S., Hoffman, B. L., Casey, B. M., & Spong, C. Y. (2019). Williams Obstetrics (25th ed.). McGraw-Hill Education.
6. Dunne, J., Kumarasamy, C., Belay, D. G., Betran, A. P., Gebremedhin, A. T., Mengistu, S., Nyadanu, S. D., Roy, A., Tessema, G. A., Tigest, T., & Pereira, G. (2025). Artificial intelligence in prenatal ultrasound: A systematic review of diagnostic tools for detecting congenital anomalies [Preprint]. medRxiv. https://doi.org/10.1101/2025.07.04.25330464
7. Fernández-Hernández, L., Domínguez-Castro, M., Ibáñez-Salvador, J. C., Grether-González, P., & Aguinaga-Ríos, M. (2013). Indicaciones actuales para el diagnóstico prenatal invasivo. Nuevas propuestas basadas en la experiencia del Instituto Nacional de Perinatología. Ginecología y Obstetricia de México, 81(8), 454–460.
8. Liscovitch-Brauer, N., Mesika, R., Rabinowitz, T., Volkov, H., Grad, M., Tomashov Matar, R., Basel-Salmon, L., Tadmor, O., Beker, A., & Shomron, N. (2024). Machine learning-enhanced noninvasive prenatal testing of monogenic disorders. Prenatal Diagnosis, 44(7), 913–923. https://doi.org/10.1002/pd.6570
9. Liu, X., Zhang, Y., Zhu, H., Jia, B., Wang, J., He, Y., & Zhang, H. (2024). Applications of artificial intelligence-powered prenatal diagnosis for congenital heart disease. Frontiers in Cardiovascular Medicine, 11. https://doi.org/10.3389/fcvm.2024.1345761
10. Santoli, C. M. A., Dotters-Katz, S. K., Sparks, T. N., & Kuller, J. A. (2025). An overview of current prenatal genetic screening and diagnosis guidelines. Pregnancy, 1, e70016. https://doi.org/10.1002/pmf2.70016
11. Schott, J., Wilmes, M., Walter, A., et al. (2026). The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: A systematic literature review. Acta Obstetricia et Gynecologica Scandinavica, 105, 403–417. https://doi.org/10.1111/aogs.70147
12. Sparks, T. N., & Dugoff, L. (2023). How to choose a test for prenatal genetic diagnosis: A practical overview. American Journal of Obstetrics & Gynecology, 228(2), 178-186. https://doi.org/10.1016/j.ajog.2022.08.039
13. Tsui, W. H., Ding, S., & Lo, D. (2025). Artificial intelligence and machine learning in cell-free-DNA-based diagnostics. Genome Research, 35, 1-19. https://doi.org/10.1101/gr.278413.123
14. Vargas-Vera, R. M., Placencia-Ibadango, M. V., Luciano-Salazar  Md, C. W., Vílchez-Castro Md, P., Toapanta-Rea Md, I. M., & Vargas-Silva Md, K. S. (2025). Artificial intelligence in prenatal genetic: Current advances and future directions. Perinatal Journal, 33(1). https://doi.org/10.57239/prn.25.03310083
15. Yeganegi, M., Danaei, M., Azizi, S., Jayervand, F., Bahrami, R., Dastgheib, S. A., Rashnavadi, H., Masoudi, A., Shiri, A., Aghili, K., Noorishadkam, M., & Neamatzadeh, H. (2025). Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects. Frontiers in Pediatrics, 13. https://doi.org/10.3389/fped.2025.1514447