Las diferentes pruebas serológicas (IgG, IgM, IgA) para detectar el Toxoplasma Gondii durante el embarazo, son de suma importancia para diagnosticar a tiempo la transmisión vertical de la infección por vía placentaria, y comenzar el tratamiento oportuno para detener la evolución de la enfermedad y mitigar los daños fetales. El tratamiento in útero no es efectivo al 100%, por ello es necesario que al nacer, el niño asintomático o no, continúe el tratamiento indicado por seis meses o un año, para seguir frenando la enfermedad dando oportunidad a que el sistema inmunológico pueda hacerse cargo por sí sólo.

Background: Preeclampsia (PE) is a leading cause of maternal and perinatal morbidity, affecting 2–8% of pregnancies worldwide. In Ecuadorian public hospitals, clinical data are often fragmented, limiting the construction of complete datasets for prediction modeling. This study aimed to develop a Machine Learning (ML) framework to predict PE using demographic data from the Isidro Ayora Gynecology and Obstetrics Hospital (HGOIA), Quito, Ecuador. Methods: We proposed a custom automated Machine Learning (C-AutoML) workflow to evaluate six models (Logistic Regression, LightGBM, XGBoost, CatBoost, Multi-Layer Perceptron, and Random Forest) and compared its performance against a weighted ensemble built with Amazon SageMaker Canvas, optimizing for the F1-score. Model interpretability was analyzed using Shapley Additive Explanations (SHAP). Due to the scarcity of clinical variables at HGOIA, a synthetic dataset based on FullPIERS predictors was also generated and modeled. Results: On the hospital dataset, the SageMaker ensemble achieved an F1-score of 0.805, accuracy of 0.934, and AUC of 0.956, while the C-AutoML best single model (LightGBM) yielded comparable results (F1-score: 0.802, accuracy: 0.938, AUC: 0.944). SHAP analysis identified patient age as the most influential feature. On the synthetic dataset, Logistic Regression achieved perfect classification (F1-score: 1.0). Conclusions: The proposed C-AutoML framework matched the performance of the SageMaker weighted ensemble while relying on a single, interpretable model. Despite the current dependence on demographic data, the methodology shows promise for supporting PE diagnosis in resource-limited settings; future integration of clinical variables is expected to further enhance predictive power for risk stratification.

El objetivo de este estudio es analizar las nuevas fronteras diagnósticas y terapéuticas en linfomas cutáneos primarios (LCP) según la clasificación WHO-EORTC (Organización Mundial de la Salud – Organización Europea para la Investigación y el Tratamiento del Cáncer) , enfatizando el papel de la inteligencia artificial (IA) y las correlaciones multiorgánicas en dermatología, neurodermatología y cardiodermatosis. Se realizó una revisión sistemática de la literatura científica reciente, integrando datos sobre técnicas moleculares, genómicas y aplicaciones de IA en el diagnóstico histopatológico y molecular de LCP. Además, se exploraron las manifestaciones clínicas relacionadas con sistemas neurológico y cardiovascular para un abordaje multidisciplinario. Los resultados evidencian que la IA mejora la precisión diagnóstica mediante el análisis automatizado de imágenes y datos genómicos, mientras que el estudio de correlaciones multiorgánicas permite un enfoque integral del paciente. La incorporación de análisis genómicos ha facilitado el desarrollo de terapias dirigidas, mejorando el pronóstico y la calidad de vida. En conclusión, la combinación de inteligencia artificial y análisis multiorgánico representa un avance significativo en el diagnóstico y tratamiento personalizado de los linfomas cutáneos WHO-EORTC. Se recomienda la implementación de protocolos multidisciplinarios y la realización de estudios prospectivos para validar estas innovaciones y optimizar el manejo clínico.