Como citar: Marco A Chamorro-Lucero, MF Acosta-Romo. L Señales Electrohisterográficas en Predicción de Parto

Pretérmino: Una revisión narrativa. Ciencia e Innovación en Salud. 2020. e98: 398-409 DOI 10.17081/innosa.98

Señales Electrohisterográficas en Predicción de Parto Pretérmino: Una

revisión narrativa

Electrohysterographic Signals in Preterm Birth Prediction: A Narrative

Review

Marco Antonio Chamorro Lucero

María Fernanda Acosta Romo

Universidad Mariana. San Juan de Pasto, Colombia

* Dirigir correspondencia a: marcochamorro@umariana.edu.co

RESUMEN

Introducción: En la práctica clínica se utilizan varios métodos o técnicas para monitorización

de la actividad uterina, por lo que resulta trascendental identificar por medio de una revisión

narrativa ¿cuáles son las técnicas para diagnóstico de parto pretérmino?, se abordó dos áreas

temáticas: comparación de señales electrohisterográficas con otras pruebas diagnósticas y

análisis de señales electrohisterográficas. Métodos: Se realizó una revisión de artículos

científicos, en inglés, español, en bases de datos científicas, utilizando combinaciones de

palabras claves: electrohisterografía, actividad eléctrica uterina, bioseñales uterinas, parto

pretérmino, diagnóstico de parto pretérmino. Se tuvo en cuenta que hayan sido publicados

entre los años 2012 a 2019. Conclusiones: La electrohisterografía es la técnica más sensible

para la monitorización uterina en comparación con otras pruebas diagnósticas no invasivas

utilizadas para diagnóstico de parto pretérmino.

Proceso Editorial

Recibido: 09 12 19

Aceptado: 23 09 20

Publicado: 09 10 20

Palabras clave: Trabajo de parto prematuro; electromiografía; diagnóstico precoz;

procesamiento de señales asistido por computador.

ABSTRACT

DOI 10.17081/innosa.98

Chamorro

et al.

Introduction: In clinical practice, various methods or techniques are used to monitor uterine

activity, so it is essential to identify, through a narrative review, ¿what are the techniques for

diagnosing preterm delivery? Two thematic areas were addressed: comparison of signals

electrohysterographic with other diagnostic tests and analysis of electrohysterographic

signals. Methods: A review of scientific articles, in English and Spanish, was carried out in

scientific databases, using combinations of keywords: electrohysterography, uterine

electrical activity, uterine biosignals, preterm delivery, diagnosis of preterm delivery. It was

taken into account that they were published between the years 2012 to 2019. Conclusions:

Electrohysterography is the most sensitive technique for uterine monitoring compared to

other non-invasive diagnostic tests used for diagnosis of preterm labor.

Keywords: Preterm labor; electromyography; early diagnosis; signal processing computer-

assisted.

399 
 
I. INTRODUCCIÓN 
Los métodos frecuentemente utilizados para predecir el parto pretérmino como los antecedentes 
obstétricos, síntomas y factores de riesgo maternos, no son tan precisos a la hora de realizar el 
diagnóstico,  por  lo  que  se  requiere  de  otras  técnicas  para  una  mejor  predicción  (1).  En  la 
actualidad el avance tecnológico ha permitido adelantos importantes en el campo de la salud, 
en favor de atender las necesidades del ser humano, por medio de sensores y análisis de datos 
se  desarrollan  herramientas  que  mejoran  los  servicios  de  salud  en  el  monitoreo  de 
enfermedades y caracterización de patrones para apoyar los diagnósticos médicos.  
El parto pretérmino (PP) es la principal causa de morbi-mortalidad fetal; se considera como un 
nacimiento prematuro aquel que ocurre después de las 20 semanas de gestación y antes de 
finalizar las 37 semanas de gestación, independientemente del peso al nacer (2), a pesar de los 
esfuerzos realizados para evitar y tratar esta patología no se ha observado un cambio en su 
incidencia en los últimos años, convirtiéndose en un importante problema de salud pública.  
La Organización Mundial de la Salud (OMS) reporta que la mayor parte de las defunciones de 
recién nacidos se debe a los partos prematuros y a complicaciones relacionadas con el parto 
como infecciones y defectos congénitos, cada año nacen en el mundo unos 15 millones de bebés 
antes de llegar a término, es decir, más de uno en 10 nacimientos (3). Aproximadamente un 
millón de niños prematuros mueren cada año, a nivel mundial.  
La prematuridad es la primera causa de mortalidad en los niños menores de cinco años, en la 
mayoría de países la tasa de nacimientos prematuros oscila entre el 5% y el 18% de los recién 
nacidos (4).  
Para  realizar  el  diagnóstico  de  Amenaza  de  Parto  Pretérmino  (APP),  se  utilizan  diferentes 
pruebas  diagnósticas  como:  ecografía  transvaginal,  medición  de  longitud  cervical,  test  de 
fibronectina,  (5)  medición  de  las  concentraciones  cervicovaginales  de  interleucina-6,  (6) 
concentraciones  cervicovaginales  de  prolactina  en  el  segundo  trimestre.  (7)  La 
electrohisterografía  es  una  de  las  nuevas  herramientas  de  ayuda  diagnostica  que  se  está 
utilizando, se define como una serie de registros de la actividad mioeléctrica uterina, esta técnica 
no es invasiva y es capaz de distinguir contracciones efectivas y no efectivas al parto, (8) útil 
para detectar cambios bioeléctricos que se presentan en la actividad muscular uterina en el 
embarazo (9).  
En Colombia se han realizado algunos estudios investigativos con señales electrohisterográficas 
(EHG),  en  los  cuales  se  han  utilizado  bases  de  datos  de  gestantes  de  otros  países, 
específicamente de  Estados Unidos, las cuales para fines de analizar  las representaciones 
gráficas de las señales son útiles, pero no se ha demostrado la efectividad de estas en predicción 
de parto pretérmino en nuestro contexto (10). Por lo mencionado, resulta trascendental identificar 
a todas aquellas mujeres que tengan riesgo de presentar una amenaza de parto pretérmino, por 
medio de diferentes métodos o herramientas clínicas y diagnósticas que permitan determinar 
con mayor precisión el PP. 
El  presente  artículo    tiene  como  objetivo  describir,  a  través  de  una  revisión  narrativa  la 
experiencia documentada por algunos autores sobre técnicas o medios de diagnóstico para la 

400

predicción de parto pretérmino, las unidades de revisión fueron artículos científicos de diferentes

nacionalidades, escritos en inglés y español publicados en revistas indexadas de ciencias de la

salud e ingeniería; se consultaron descriptores Mesh, DeCS y Unesco y bases de datos como:

PubMed, Scielo, Scopus, IEEE , Science Direct, DOAJ (Directory off Open Access Journals),

Nature, Springer, con búsquedas en temas afines y utilizando combinaciones de palabras claves

en inglés y español: electrohisterografía, electrohysterography, actividad eléctrica uterina,

uterine electrical activity, bioseñales uterinas, uterine biosignals, parto pretérmino, preterm

delivery uterine, electromiograma uterina, electromyogram uterine, diagnóstico de parto

pretérmino, diagnosis of preterm birth, como requisito para ser incluidos dentro de esta revisión,

se tuvo en cuenta que hayan sido artículos publicados entre los años 2012 a mayo 2019, se

tomaron 105 artículos que cumplieron con los criterios de inclusión, posteriormente, se realizó

revisión integrativa, de los cuales 45 respondieron al objetivo planteado.

El interés surge a partir de la necesidad de contribuir a mejorar la calidad de la atención a

gestantes y disponer de nuevas evidencias que permitan diagnosticar con mayor precisión el

parto pretérmino.

II. COMPARACIÓN DE SEÑALES ELECTROHISTEROGRÁFICAS CON OTRAS

PRUEBAS DIAGNÓSTICAS.

Durante la mayor parte del embarazo, el útero está inactivo, tiene una baja excitabilidad y un

acoplamiento débil que evita la propagación y las contracciones globales. A medida que

aumenta el acoplamiento intercelular durante la gestación, puede producirse la propagación

con una velocidad de conducción lenta que proporciona una longitud de onda corta que podría

permitir la propagación entrante. Las ondas reentrantes (un patrón anormal de actividad en un

sistema fisiológicamente normal) podrían ser un mecanismo de parto prematuro, pero se

esperaría que se auto-terminaran a menos que se fijen en alguna heterogeneidad estructural.

Este enfoque cuantitativo se centra en la electrofisiología del músculo liso uterino y considera

la contracción uterina como el objetivo de control primario (11).

El diagnóstico precoz para la prevención del parto pretérmino es actualmente uno de los retos

perinatales, ya que su identificación y tratamiento oportuno genera mayores posibilidades de

vida del recién nacido prematuro. Para realizar el diagnóstico de APP, se utilizan diferentes

técnicas o métodos de monitoreo de la actividad mioeléctrica uterina, entre las cuales se

encuentran: ecografía transvaginal, medición de longitud cervical, test de fibronectina,

tocodinamometría (TOCO), catéter de presión intrauterina (IUPC) y electrohisterografía uterina

(EHG). El TOCO es un método no invasivo, mide externamente la contractilidad uterina y

evalúa las etapas completas del parto. Sin embargo, este no proporciona una medición

cuantitativa de intensidad de contracción y proporciona solo una medida única de la presión

uterina global. El método IUPC, proporciona una medición cuantitativa de la presión

intrauterina, es un procedimiento invasivo (12). EHG mide el potencial de acción generado por

los músculos durante el embarazo y el parto, no es invasivo y las señales se sincronizan a

tiempo con las contracciones uterinas, detecta cambios bioeléctricos que se presentan en la

actividad muscular uterina, mediante electrodos en superficie abdominal (13). Los electrodos

se colocan sobre el abdomen de la paciente, se utilizan diferentes tipos, los más comunes son

los electrodos Ag/AgCl Beekman, fueron utilizados en un estudio en el Departamento de

401 
 
Obstetricia  y  Ginecología  del  Hospital  de  Amiens,  Francia  y  en  el  Hospital  Universitario 
Landspitali en Islandia, utilizaron 16 electrodos en el abdomen de la gestante, ubicados en el 
eje mediano vertical uterino y un electrodo de referencia en cada lado de la cadera de la mujer. 
(14) Otros autores analizaron tres posiciones diferentes de colocación de los electrodos para 
determinar su precisión de parto prematuro, los resultados evidenciaron que la posición óptima 
para la adquisición de la señal de EHG es el eje medio uterino, (15) zona donde se detectó el 
mayor número de contracciones consistentes con las registradas con el IUPC. Debido a la 
dificultad en la interpretación y las interferencias de la señal de EHG de origen biológico, esta 
técnica a pesar de mostrar muchas bondades en comparación a otras técnicas (no es invasiva, 
mayor sensibilidad, capacidad para identificar distocias durante el trabajo de parto), aun no se 
utiliza en la práctica clínica (14). La EHG tiene como principal ventaja respecto la medición de 
la presión intrauterina que no es invasiva y con respecto al toco que es capaz de distinguir 
contracciones efectivas y no efectivas del parto, (8) además de ser más preciso en detectar 
las contracciones. (Ver Figura 1). 
Figura 1 Registro de diferentes técnicas de monitorización, electromiografía (EMG), (IUP), 
(TOCO). 
 
Fuente: Lucovnik, Kuon y Garfield (16) 
 
La  señal  EHG  en  comparación  con  la  tocodinometría  externa  para  la  detección  de  la 
contracción  uterina,  señaló  que,  en  la  segunda  etapa  del  parto,  la  electrohisterografía  no 
funciona  mejor  que  la  tocodinamometría  externa.  Por  lo  que  se  puede  decir  que,  la 
electrohisterografía tiene una mayor sensibilidad para la detección de la contracción uterina 
que la tocodinamometría externa durante la primera etapa del parto. La electrohisterografía 
identifica más contracciones que las técnicas convencionales (17). 
Al comparar la capacidad de detección de contracciones uterinas y la calidad de señal obtenida 
a través de IUP, externa TOCO, y de EHG, se evidencia que la electrohisterografía es capaz 
de detectar un mayor número de contracciones uterinas que el TOCO (18). Varios Estudios 
han encontrado que las técnicas de registro mono polares o bipolares de EHG detectan más 
número  de  contracciones;  asegurando  que  la  actividad  uterina  es  mucho  más  precisa 
detectada con EHG que con TOCO. (19, 20) 
Otros autores, realizaron evaluación automática de la frecuencia de contracción en pacientes 
no  embarazadas  por  electrohisterografía.  Se  realizaron  mediciones  de  electrohisterografía 

402 
 
abdominal, ultrasonido transvaginal (TVUS) y niveles de progesterona durante el final de fase 
folicular y luteal del ciclo de la menstruación. Las señales EHG determinaron el cambio de la 
frecuencia de contracción a las fases del ciclo menstrual (21). 
Se hace necesario resaltar que se han utilizado otras pruebas para la predicción de parto 
pretérmino  como  la  Proteína  C  reactiva  (PCR)  plasmática  en  el  segundo  trimestre  del 
embarazo.  En  un estudio  donde  se compararon  las  concentraciones  plasmáticas  de  PCR 
reactiva  entre  dos  grupos.  Se  determinó  que  las  mujeres  del  grupo  A,  presentaron 
concentraciones  significativamente  más  altas  de  proteína  C  reactiva  comparadas  con  las 
embarazadas del grupo B p<0.0001. Un valor de corte de 1.6ng/mL presentó un valor por 
debajo de la curva de 0.71 con sensibilidad del 71.1%, especificidad del 54.1%, valor predictivo 
positivo del 12.5% y valor predictivo negativo del 95.3% (22). 
Los  métodos  utilizados  para  diagnosticar  el  parto  prematuro  verdadero,  son  aún  poco 
confiables en pacientes obesas que en pacientes no obesas. Según un estudio realizado con 
el  objetivo  de  evaluar  el  efecto  del  índice  de  masa  corporal  (IMC)  en  la  precisión  del 
electromiograma uterino en la predicción del parto prematuro, concluyeron que la precisión de 
la monitorización EHG uterina no invasiva y su valor predictivo para el parto prematuro no se 
ven  afectados  por  la  obesidad.  Puede  identificar  con  precisión  el  trabajo  de  PP  real, 
independientemente del alto IMC de la paciente (23). 
Un estudio realizado por Euliano, en el que se comparó la eficacia del tocodinamómetro y el 
electrohisterograma  en  relación  con  el  catéter  de  presión  intrauterino,  indicó  que  el 
electrohisterograma  tiene  mayor  sensibilidad  y  proporciona  trazos  de  fácil  interpretación 
durante la monitorización Intraparto. Además, reportó que cerca de 90 % de las contracciones 
identificadas  por  el  catéter  de  presión  intrauterino  se  asocian  con  el  trazo  del 
electrohisterograma (24).  
Asimismo, se han comparado patrones específicos de los datos fisiológicos de la EHG con la 
frecuencia cardíaca fetal, se obtuvieron características del dominio de tiempo y frecuencia, 
mediante un modelo estadístico, evidenciando una alta precisión en la clasificación de registros 
de gestantes con trabajo de parto y registros de gestantes en falso trabajo de parto (25). 
 
III. ANÁLISIS DE LAS SEÑALES ELECTROHISTEROGRÁFICAS 
3.1. Preprocesamiento 
Varios autores determinan que el contenido espectral de las señales EHG se encuentran en 
baja frecuencia entre (0.3 - 1,5) Hz, y en alta frecuencia entre (1,5 - 3) Hz, además dichos 
rangos evitan la influencia de la frecuencia cardíaca (26), (27), (28), (13). 
 
3.2. Segmentación y extracción de características  
Para la extracción de características de las señales EHG se han probado diferentes métodos, 
con relación a los parámetros lineales se encontró que los autores analizaron la densidad 
espectral  de  potencia,  análisis  de  frecuencia  mediante  Transformada  de  Fourier  y 
Transformada  wavelet,  algunos  utilizaron  wavelet  symlet  5  (27).  Además,  los  índices  no 
lineales  como  entropía  de  muestra,  los  cuadrados  medios  de  raíz  (RMS),  dimensión  de 

403 
 
correlación, exponente de Lyapunov, (29) (9), la reversibilidad en el tiempo, la dimensión fractal 
de las señales (30).  
 
Entre estos estudios se determina que la frecuencia media y el RMS para la señal completa, 
son  las  características  espectrales  con  mejor  eficiencia  para  distinguir  los  registros  con 
síntomas de amenaza de PP (28). Otra característica común entre los estudios es la diferencia 
significativa entre los registros de parto a término y pretérmino registrados antes de la semana 
26 (31). Además, las descomposiciones espectrales realizadas por Transformada de Fourier, 
Transformada  Wavelet  y  el  modelado  autorregresivo  (AR),  dieron  resultados  similares  y 
pueden ser útiles para el diagnóstico de PP (32, 33, 34, 35). El análisis del espectro de potencia 
Wavelet se caracteriza por una frecuencia dominante pico, de fácil interpretación y puede 
mejorar las indicaciones del tratamiento tocolítico (36). 
 
Otros autores reportan que la detectabilidad del inicio y fin de la contracción, así como las 
rupturas temporales o espectrales, analizadas mediante el criterio de información de Bayes o 
coeficientes de correlación lineal, podrían ser factores importantes para extraer de manera 
confiable las características de EHG que pueden predecir un posible riesgo de parto pretérmino 
(27, 37). También se han evaluado las señales EHG por medio de índices de eficiencia global 
(GEI) determinando que la intensidad aporta más características a la eficiencia miometrial que 
la excitabilidad y sincronización de las señales (38). Una característica general entre todos los 
métodos de extracción de características se da a medida que avanza el embarazo, todas 
presentan tendencias cada vez mayores lo cual resulta obvio. 
 
3.3. Clasificación de las señales mediante procesos automáticos  
En  las  últimas  décadas,  y  con  el  avance  de  la  tecnología,  se  han  utilizado  múltiples 
herramientas  informáticas  para  analizar  las  señales  EHG.  Se  han  desarrollado  sistemas 
automáticos mediante Inteligencia Artificial (IA) con el fin de clasificar, aprender, adaptar y 
modificar conjuntos de datos.  
Para extraer características del espectrograma de señal EHG y determinar la entropía de la 
han  utilizado  máquinas  de  soporte  vectorial  (MSV)  mediante  el  método  adaptativo 
autorregresivo  (AAR)  (34).  Para  la  clasificación  de  señales  EHG  se  han  utilizado  redes 
neuronales artificiales, MSV, algoritmos genéticos, análisis de componentes principales, redes 
bayesianas y características lineales y no lineales de las señales (39). Dentro de las MSV 
utilizaron análisis de cuantificación de recurrencia (RQA) para extraer características; y análisis 
de componentes principales (PCA) para distinguir patrones particulares para el parto a término 
y  pretérmino.  Sin  embargo,  estas  técnicas  detectan  diferencias  entre  la  dinámica  de  las 
señales  de  EHG,  pero  no  indican  directamente  los  procesos  físicos  responsables  del 
mecanismo del PP (40). El clasificador de análisis discriminante cuadrático logró una mejor 
precisión de clasificación independientemente del momento del registro; mientras que, para 
las mediciones de entropía de muestra, el clasificador MSV obtuvo mejores precisiones de 
clasificación (13, 34, 36, 41). MSV con lagrangianos no lineales permiten mejorar la calidad de 
aprendizaje del algoritmo, (42) y se puede observar que una forma de mejorar la precisión de 
la  extracción de  características  podría  lograrse  mediante  el  uso  de  algoritmos  con  mayor 
número de funciones. (43, 41) 

404

También se han desarrollado algoritmos de redes neuronales para clasificar registros a término

y pretérmino mediante técnicas de sobre muestreó, validación cruzada, (44) parametrizaciones

multivariadas (45) y redes neuronales recurrentes, como la red Elman, Jordan y Layer para el

reconocimiento de patrones (46). Entre los algoritmos de redes neuronales artificiales o

aprendizaje automático se han evaluado algunos como k-Vecinos Cercanos, MSV, Random

Forest (47), autoencoder, (31), determinando que son mejores predictores de amenazas de

parto pretérmino los clasificadores de Red neuronal aleatoria (48). Algunos de estos estudios

han determinado que las redes neuronales recurrentes (RNN) tienen una mejor capacidad para

filtrar señales EHG con una alta sensibilidad (49).

El árbol de decisión es otra técnica empleada para clasificar las actividades uterinas, utilizando

la potencia y la entropía de muestra extraída de los segmentos de EHG no normalizados, los

cuales detectaron de manera efectiva las actividades uterinas (50).

Se presenta los resultados de algunas investigaciones en la aplicación de cada método de

selección entre PP y parto a término, en términos de sensibilidad, Se = TP / ( TP + FN ),

especificidad, Sp = TN / ( TN + FP ) y precisión de clasificación, CA = ( TP + TN ) / ( TP + FN

+ TN + FP ), donde TP denota el número de verdaderos positivos, FN el número de falsos

negativos, TN el número de verdaderos negativos y FP el número de falsos positivos; y en

términos del área bajo la curva ROC (AUC ). Tabla 1.

Tabla 1. Clasificación métodos de selección automática para parto pretérmino

Fuente: Elaboración propia

IV. CONCLUSIONES

Actualmente existen diferentes técnicas de monitorización, para predicción de parto pretérmino

tales como: catéter de presión intrauterina (IUP), tocodinometría (TOCO) y Electrohisterografía

(EHG), siendo esta última capaz de detectar un mayor número de contracciones uterinas en

comparación con las otras técnicas, además de ser no invasiva en comparación con el IUP.

Esta revisión narrativa entrega nuevos conocimientos al área de la salud y de ingeniería,

acerca de los diferentes métodos utilizados tanto en la extracción de características de las

señales EGH como en las técnicas computacionales y de inteligencia artificial para la

Autor

Se(%)

Sp(%)

CA(%)

AUC(%)

Idowu et al. (26)

Chen et al. (32)

Altini et al. (25)

Hussain et al. (44)

Radomsk (45)

Sadi-Ahmed et al. (41)

98,4

95,7

Shahbakhti et al. (43)

98,9

99,3

99,6

Fergus et al. (51)

Ha et al. (50)

Fergus et al. (48)

405 
 
clasificación de las señales para predicción de PP. Comparando las técnicas de clasificación 
Tabla 2. Se puede concluir que el método de Maquina de soporte vectorial, fue el que tuvo 
mejor rendimiento y se ha evidenciado, además en diferentes estudios que lo han aplicado con 
múltiples técnicas para la extracción de características. 
 
Contribución  de  los  autores:  Conceptualización,  M.A.CH.L.  y    M.F.A.R.;  metodología, 
M.A.CH.L. y  M.F.A.R.; validación, M.A.CH.L. M.F.A.R.; análisis formal, M.A.CH.L. y  M.F.A.R.; 
investigación, M.A.CH.L. y  M.F.A.R.; curación de datos, M.A.CH.L. y  M.F.A.R.; escritura: 
preparación  del  borrador  original,  M.A.CH.L.  y    M.F.A.R.;  escritura:  revisión  y  edición, 
M.A.CH.L.  y    M.F.A.R.;  visualización,  M.A.CH.L.  y    M.F.A.R.;  supervisión,  M.A.CH.L.  y  
M.F.A.R.;  administración  del  proyecto,  M.A.CH.L.  y    M.F.A.R.;  adquisición  de  fondos, 
M.A.CH.L.  y    M.F.A.R.  Todos  los  autores  han  leído  y  aceptado  la  versión  publicada  del 
manuscrito.”  
Fondos: Esta investigación no recibió fondos externos. 
Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.  
 
REFERENCIAS 
1.  Jager F, Libenšek S, Geršak K. Characterization and automatic classification of preterm and term 
uterine  records.  PLoS  ONE.  [Internet]  2018  [citado  2019  Nov  26];  13(8):  e0202125.  DOI: 
10.1371/journal.pone.0202125 
2.  Navas, L, Lankester, E. Abordaje del Parto Pretérmino. Rev Méd Costa Rica. 2014; 71(613), 725-
773. https://www.medigraphic.com/pdfs/revmedcoscen/rmc-2014/rmc145i.pdf 
3.  Gladstone M, Oliver C, Van den Broek N. Survival, morbidity, growth and developmental delay for babies 
born preterm in low and middle income countries - a systematic review of outcomes measured. PLoS One. 
[Internet] 2015 [citado 2019 Nov 23]; 10(3): e0120566. DOI: 10.1371/journal.pone.0120566 
4.  Organización Mundial de la Salud. Nacimientos prematuros. 2018. [Acceso 30 de marzo de 2019]. 
https://www.who.int/es/news-room/fact-sheets/detail/preterm-birth 
5.  Manzanares S, López M, Redondo P, Garrote A, Molina F, Carrillo M, et al. Amenaza de parto 
prematuro. Valor de la cervicometría y la fibronectina. Actualización Obstetricia y Ginecología. 
2009.  [Acceso  05  de  mayo  de  2019]. 
https://www.huvn.es/asistencia_sanitaria/ginecologia_y_obstetricia 
6.  Reyna-Villasmil  E,  Mejia-Montilla  J,  Reyna-Villasmil  N,  Torres-Cepeda  D,  Santos-Bolívar  J, 
Fernández-Ramírez A. Interleucina 6 cervicovaginal en la predicción de parto pretérmino. Rev. 
peru.  ginecol.  obstet.  [Internet].  2016  Abr  [citado  2019  Nov  25];  62(2):  175-181. 
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S2304-51322016000200005&lng=es 
7.  Rondón-Tapia M, Reyna-Villasmil E, Mejía Montilla J, Reyna-Villasmil N, Torres-Cepeda D, et al. 
Prolactina cervicovaginal en la predicción de parto pretérmino. Repert. Med. Cir. [Internet]. 2018 
[citado  2019  Nov  24];  27(1),  18-23.  https://www.fucsalud.edu.co/sites/default/files/2018-
07/Prolactina-cervicovaginal.pdf 
8.  Vasak B, Graatsma E, Hekman-Drost E, Eijkemans M, van Leeuwen J, Visser G, Jacod B. Uterine 
electromyography  for  identification  of  first-stage  labor  arrest  in  term  nulliparous  women  with 

406 
 
spontaneous onset of labor. Am J Obstet Gynecol MFM. [Internet] 2013 [citado 2019 Nov 25]; 
209(3), 232.e1-8. DOI: 10.1016/j.ajog.2013.05.056 
9.  Fele-Zorz G, Kavsek G, Novak-Antolic Z, Jager F. A comparison of various linear and non-linear 
signal  processing  techniques  to  separate  uterine  EMG  records  of  term  and  pre-term  delivery 
groups. Med Biol Eng Comput. 2008; 46(9), 911-922. DOI: 10.1007/s11517-008-0350-y 
10. Constantino MA. Análisis de la evolución del grado de sincronización de las señales mioeléctricas 
uterinas  durante  la  gestación.  [Trabajo  de  Grado].  Universitat  Politècnica  de  València. 
Departamento de Ingeniería Electrónica, España.  2017. https://riunet.upv.es/handle/10251/85579 
11. Pervolaraki E, Holden AV. Spatiotemporal patterning of uterine excitation patterns in human labour. 
Biosystems.  [Internet]  2013  [citado  2019  Nov  24];  112(2):  63-72. 
DOI: 10.1016/j.biosystems.2013.03.012 
12.  Asmi, S, Subramaniam K, Iqbal NV. A review of significant researches on prediction of preterm birth 
using uterine electromyogram signal. Future Gener Comput Syst. [Internet] 2019 [citado 2019 Nov 
23]; 9: 135-143. Disponible en: DOI: 10.1155/2019/3168541 
13.  Ye-Lin Y, Garcia-Casado J, Prats-Boluda G, Alberola-Rubio J, Perales A. Automatic Identification 
of Motion Artifacts in EHG Recording for Robust Analysis of Uterine Contractions. Comput Math 
Methods Med. [Internet] 2014; 11 [citado 2019 Nov 25]. DOI: 10.1155/2014/470786 
14.  Vasak B, Graatsma E, Hekman-Drost E, Eijkemans M, van Leeuwen J, Visser G, Jacod B. Uterine 
electromyography  for  identification  of  first-stage  labor  arrest  in  term  nulliparous  women  with 
spontaneous onset of labor. Am J Obstet Gynecol MFM. [Internet] 2013 [citado 2019 Nov 22]; 
209(3), 232.e1-8. DOI: 10.1016/j.ajog.2013.05.056 
15.  Ren P, Yao S, Li J, Valdes-Sosa PA, Kendrick KM. Improved Prediction of Preterm Delivery Using 
Empirical  Mode  Decomposition  Analysis  of  Uterine  Electromyography  Signals.  PLoS  ONE. 
[Internet] 2015 [citado 2019 Nov 25]; 10(7): e0132116. DOI: 10.1371/journal.pone.0132116 
16.  Lucovnik M, Kuon RJ, Garfield RE. Research Article Assessment of Parturition with Cervical Light-
Induced Fluorescence and Uterine Electromyography. Computational and Mathematical Methods 
in Medicine. [Internet]. 2013 [citado 2019 Nov 26]; 165913. DOI: 10.1155/2013/165913 
17.  Vlemminx  MW,  Thijssen  KM,  Bajlekov  GI,  Dieleman  JP,  Van  Der  Hout-Van  M  B,  Oei  SE. 
Electrohysterography  for  uterine  monitoring  during  term  labour  compared  to  external 
tocodynamometry  and  intra-uterine  pressure  catheter.  Eur  J  Obstet  Gynecol  Reprod  Biol  X. 
[Internet] 2017; [citado 2019 Nov 25], 197-205. DOI: 10.1016/j.ejogrb.2017.05.027 
18.  Alberola-Rubio J, Prats-Boluda G, Ye-Lin Y, Valero J, Perales A, Garcia-Casado J. Comparison of 
non-invasive electrohysterographic  recording techniques for  monitoring uterine  dynamics.  Med. 
eng.  phys.  [Internet]  2013  [citado  2019  Nov  22];  35(12):  1736-1743.  D 
DOI: 10.1016/j.medengphy.2013.07.008 
19.  Cohen WR. Clinical assessment of uterine contractions. Int J Gynecol Obstet. [Internet] 2017 [citado 
2019 Nov 23]; 139(2), 137-142. DOI: 10.1002/ijgo.12270  
20.  Euliano  TY,  Tam  Nguyen  M,  Darmanjian  S,  McGorray  SP,  Euliano  N,  Onkala  A,  Gregg  AR. 
Monitoring uterine activity during labor: a comparison of 3 methods. Am J Obstet Gynecol. [Internet]. 
2013 [citado 2019 Nov 25]; 208: 66.e1-6. Disponible en: DOI: 10.1016/j.ajog.2012.10.873 
21.  Kuijsters N, Rabotti C, Sammali F, Mischi M, Schoot B. Automatic Contraction Detection During the 
Menstrual Cycle By Electrohysterography. J. minim. invasive gynecol. [Internet] 2015 [citado 2019 
Nov 22]; 22(6), S101. DOI: 10.1016/j.jmig.2015.08.272 

407 
 
22.  Suarez-Torres I, Reyna-Villasmil E, Mejia-Montilla J, Reyna-Villasmil N, Torres-Cepeda D, Santos-
Bolívar J, et al. Original: Proteína C reactiva plasmática en el segundo trimestre para predicción de 
parto pretérmino. Perinatol Reprod Hum. 2016; 30(2), 57-62. DOI: 10.1016/j.rprh.2016.06.008 
23.  Lucovnik M, Chambliss LR, Blumrick R, Balducci J, Gersak K, Garfield RE. Effect of obesity on 
preterm delivery prediction by transabdominal recording of uterine electromyography. Taiwan J 
Obstet Gynecol. 2016; 55(5): 692-696. DOI: 10.1016/j.tjog.2015.05.005 
24.  Euliano TY, Nguyen MT, Darmanjian S, Busowski JD, Euliano N, Gregg AR., et al.  Monitoring 
Uterine Activity during Labor: Clinician Interpretation of Electrohysterography versus Intrauterine 
Pressure Catheter and Tocodynamometry. Am J Perinatol. 2016; 33(9): 831-8. DOI: 10.1055/s-
0036-1572425 
25.  Altini M, Rossetti E, Rooijakkers M, Dy E, Penders J, Grieten L, Gyselaers W. 762: Remote labour 
detection using maternal electrohysterography and heart rate data acquired with a wearable sensor. 
Am.  j.  obstet.  gynecol.  [Internet].  2017  [citado  2019  Nov  23];  216(1),  S441-S442.  DOI_ 
10.1016/j.ajog.2016.11.495 
26.  Idowu P, Fergus A, Hussain C, Dobbins H, Al-askar P, Fergus A, et al. Técnicas avanzadas de 
clasificación  de  redes  neuronales  artificiales  que  utilizan  EHG  para  detectar  nacimientos 
prematuros. Conf. Softw inteligente complejo. Syst intensivo. 2014; 8(1). 
27.  Alamedine D, Marque K, Alamedine D, Khalil M. Binary particle swarm optimization for feature 
Selection  on  uterine  electrohysterogram  signal.  2nd  International  Conference  on  Advances  in 
Biomedical Engineering Date of Conference; 11-13 Sept. 2013. Tripoli, Lebanon: IEEE Conference 
Location. https://ieeexplore.ieee.org/document/6648863/ 
28.  Horoba K, Jezewski J, Matonia A, Wrobel J, Czabanski R, Jezewski M, et al. Early predicting a risk 
of preterm labour by analysis of antepartum electrohysterograhic signals. Biocybern Biomed Eng.  
[Internet].  2016  [citado  2019  Nov  25];  36(4),  574-583.  Disponible  en:  DOI: 
10.1016/j.bbe.2016.06.004. 
29.  Diab A, Hassan M, Marque C, Karlsson B. Quantitative performance analysis of four methods of 
evaluating signal nonlinearity: Application to uterine EMG signals. Conf Proc IEEE Eng Med Biol 
Soc. 2012; 1045-8. DOI: 10.1109/EMBC.2012.6346113 
30.  Punitha N, Ramakrishnan S. Analysis of uterine electromyography signals in preterm condition 
using  multifractal  algorithm.  Conf  Proc  IEEE  Eng  Med  Biol  Soc.  2018;  1-4. 
DOI: 10.1109/EMBC.2018.8512891 
31.  Sim S, Ryou H, Kim H, Han J, Park K. Evaluation of Electrohysterogram Feature Extraction to 
Classify the Preterm and Term Delivery Groups. In: Goh J. (eds). The 15th International Conference 
on Biomedical Engineering. IFMBE Proceedings, vol 43. Springer, Cham. 
32.  Chen L, Hao Y, Hu X. Detection of preterm birth in electrohysterogram signals based on wavelet 
transform and stacked sparse autoencoder. PLoS ONE. [Internet]. 2019 [citado 2019 Nov. 23]; 14: 
1-16. DOI: 10.1371/journal.pone.0214712 
33.  Lemancewicz A, Kuc P, Doroszkiewicz K, Laudanski P, Jasinska E, Oczeretko E, et al. O389 Early 
Diagnosis of Threatened Premature Labor by Electrohysterographic Recordings. Int. j. gynecol. 
obstet.,  Suppl.  [Internet]  2012  [citado  2019  Nov  23];  119(3),  S398.  DOI:  10.1016/S0020-
7292(12)60819-4 
34.  Smrdel A, Jager F. Separating sets of term and pre-term uterine EMG records. Physiol Meas. 
[Internet] 2015 [citado 2019 Nov 22]; 36(2), 341-355. DOI: 10.1088/0967-3334/36/2/341 

408 
 
35.  Moslem B, Diab M, Khalil M, Marque C. Combining data fusion with multiresolution analysis for 
improving the classification accuracy of uterine EMG signals. EURASIP J Adv Signal Process. 
[Internet].  2012  [citado  2019  Nov  26];  (1),  167.  Disponible  en: 
https://link.springer.com/article/10.1186/1687-6180-2012-167 
36.  Lemancewicz A, Borowska M, Kuć P, Jasińska E, Laudański P, Laudański T, et al. Early diagnosis 
of  threatened  premature  labor  by  electrohysterographic  recordings  –  The  use  of  digital  signal 
processing. Biocybern Biomed Eng. [Internet]. 2016 [citado 2019 No. 23]; 36(1): 302-307. DOI: 
10.1016/j.bbe.2015.11.005 
37. Happillon T, Muszynski C, Zhang F, Marque C, Istrate D. Detection of Movement Artefacts and 
Contraction  Bursts  Using  Accelerometer  and  Electrohysterograms  for  Home  Monitoring  of 
Pregnancy.  IRBM.  [Internet].  2018  [citado  2019  Nov  25];  39(6):  379-385.  DOI: 
10.1016/j.irbm.2018.10.008 
38. Mas-Cabo J,  Ye-Lin Y, Garcia-Casado J, Alberola-Rubio J, Perales A, Prats-Boluda G. Uterine 
contractile  efficiency  indexes  for  labor  prediction:  A  bivariate  approach  from  multichannel 
electrohysterographic records. Biomed. signal process. control. [Internet]. 2018 [citado 2019 Nov 
23]; 46: 238-248. DOI: 10.1016/j.bspc.2018.07.018 
39. Al-Askar H, Radi N, MacDermott A. Chapter 7 - Recurrent Neural Networks in Medical Data 
Analysis and Classifications. In: D. Al-Jumeily, A. Hussain, C. Mallucci, C. Oliver, Emerging 
Topics in Computer Science and Applied Computing, Applied Computing in Medicine and 
Health. 1ra. Ed. Boston: Morgan Kaufmann; 2016. 
40.  Borowska M, Brzozowska E, Kuć P, Oczeretko E, Mosdorf R, Laudański P. Identification of preterm 
birth based on RQA analysis of electrohysterograms. Comput Methods Programs Biomed. [Intenet]. 
2018 [citado 2019 Nov 24]; (153): 227-236. Disponible en: DOI: 10.1016 / j.cmpb.2017.10.018 
41.  Sadi-Ahmed N, Kacha B, Taleb H. Relevant Features Selection for Automatic Prediction of Preterm 
Deliveries  from  Pregnancy  ElectroHysterograhic  (EHG)  records.  J  Med  Syst.  2017;  41:  204. 
https://link.springer.com/article/10.1007/s10916-017-0847-8 
42.  Jezewski J, Matonia A, Czabanski R, Horoba K, Kupka T. Clasificación de los patrones de actividad 
eléctrica uterina para la detección temprana de nacimientos prematuros. En: Burduk R, Jackowski 
K, Kurzynski M, Wozniak M, Zolnierek A. (eds). Actas de la 8ª Conferencia Internacional sobre 
Sistemas de Reconocimiento por Computadora CORES 2013. Avances en Sistemas Inteligentes 
y Computación, vol 226. Heidelberg: Springer; 2013. 
43.  Shahbakhti M, Beiramvand M, Bavi MR, Mohammadi S. A New Efficient Algorithm for Prediction of 
Preterm Labor. 41st Annual International Conference of the IEEE Engineering in Medicine and 
Biology  Society  (EMBC).  Berlin,  Germany;  23-27  July  2019.  IEEE. 
https://ieeexplore.ieee.org/document/8857837 
44.  Hussain AJ, Fergus P, Al-Askar H, Al-Jumeily D, Jager F. Dynamic neural network architecture 
inspired  by  the  immune  algorithm  to  predict  preterm  deliveries  in  pregnant  women. 
Neurocomputing.  [Internet].  2015  [citado  2019  Nov  23];  151(3):  963-974.  DOI: 
10.1016/j.neucom.2014.03.087 
45.  Radomski  DS.  Reprint  of  ‘A  nonlinear  parameterization  of  multivariate  electrohysterographical 
signals’. Comput. Biol. Med. 2016; 69: 254-260. DOI: 10.1016/j.compbiomed.2016.01.006 
46.  Al-Jumeily D, Hussain A, Mallucci C, Oliver C. Applied Computing in Medicine and Health. 1ra. Ed. 
Boston: Morgan Kaufmann; 2016. 

409

47. Haibo H, Bai Y, García EA, Li S. ADASYN: Adaptive Synthetic Sampling Approach for Imbalanced

Learning. April 14, 2010; Proc. de IEEE International Joint Conference on Neural Networks; 2008.

https://www.ele.uri.edu/faculty/he/PDFfiles/adasyn.pdf

48. Fergus P, Idowu I, Hussain A, Dobbins C. Advanced artificial neural network classification for

detecting preterm births using EHG records. Neurocomputing. [Internet]. 2016 [citado 2019 Nov.

23]; 188: 42-49. DOI: 10.1016/j.neucom.2015.01.107

49. Al-Askar H, Radi N, MacDermott A. Chapter 7 - Recurrent Neural Networks in Medical Data Analysis

and Classifications. In: D. Al-Jumeily, A. Hussain, C. Mallucci, C. Oliver, Emerging Topics in

Computer Science and Applied Computing, Applied Computing in Medicine and Health. 1ra. Ed.

Boston: Morgan Kaufmann; 2016.

50. Ha, D, Qiu Q, Zhou X, An Y, Peng J, Yang L, Zheng D. Application of decision tree in determining

the importance of surface electrohysterography signal characteristics for recognizing uterine

contractions. Biocybern Biomed Eng. 2019; 39(3), 806-813. DOI: 10.1016 / j.bbe.2019.06.008

51. Fergus P, Cheung P, Hussain A, Al-Jumeily D, Dobbins C, Iram S. Prediction of Preterm Deliveries

from EHG Signals Using Machine Learning. PLoS ONE. [Internet]. 2013 [citado 2019 Nov 24],

8(10): e77154. DOI: 10.1371/journal.pone.0077154