La preeclampsia (PE) y la restricción del crecimiento intrauterino (IUGR) son complicaciones obstétricas asociadas con la disfunción placentaria, que representan un problema de salud pública debido a la alta morbilidad y mortalidad materna y fetal. La detección temprana es crucial para intervenciones oportunas. Por lo tanto, este estudio propone el desarrollo de modelos basados en mapas cognitivos difusos (FCM) optimizados con algoritmos metaheurísticos (optimización por enjambre de partículas (PSO) y algoritmos genéticos (GA)) para la predicción de PE e IUGR. Los resultados mostraron que el FCM-PSO aplicado al conjunto de datos de PE logró un rendimiento excelente (exactitud, precisión, recuperación y F1-Score = 1.0). El modelo FCM-GA destacó en la predicción de IUGR con una exactitud y F1-Score de 0.97. Nuestros modelos propuestos superaron a los reportados en la literatura para predecir PE e IUGR. El análisis de las relaciones entre nodos permitió la identificación de variables influyentes como sFlt-1, sFlt-1/PlGF y parámetros Doppler uterinos, de acuerdo con la fisiopatología de los trastornos placentarios. Los FCM optimizados con PSO y GA ofrecen una alternativa clínica viable como sistema de apoyo a la decisión médica debido a su capacidad para explorar relaciones no lineales e interpretabilidad de variables. Además, son adecuados para escenarios donde se requiere un bajo consumo de recursos computacionales.