A világszerte évente több mint 250 000 megelőzhető terhességhez köthető halálesetért felelős tényezőket a WHO becslései alapján a prenatális ellátás javítása csökkentheti. Bár az ultrahangos vizsgálat jelentősen javítja a terhességi és anyai kimeneteleket, a világon emberek kétharmada nem fér hozzá diagnosztikai képalkotáshoz, például ultrahanghoz. A jelenlegi ultrahang-alapú ellátási módszerek erősen függnek a speciális képzésű szakemberektől, így számos alacsony erőforrású környezetben a várandós nők egész terhességük alatt egyszer sem jutnak ultrahangvizsgálathoz.
A kutatócsoport ezért a „blind sweep” (vak söprés) ultrahangra épülő gépi tanulási rendszerek fejlesztésébe kezdett: ez a vizsgálati forma lehetővé teszi, hogy külön sonográfusi képzés nélküli elsővonalbeli egészségügyi dolgozók egy szabványosított mozdulatsorral, egyszerűen végighúzzák a hordozható, alacsony költségű ultrahangfejeket a hason, és a felvételeket az AI értelmezi.
Mivel sok régióban kritikus a szakértők hiánya, és a hagyományos sonográfus-képzés költséges és több évig tart, egy olyan megközelítés, amely minimális gyakorlattal lehetővé teszi az alapellátó dolgozók számára a vizsgálat elvégzését, jelentősen növelheti a prenatális szűrés lefedettségét. Az AI-vezérelt értelmezés kombinálva a könnyű elsajátíthatósággal ilyen eszközökkel javíthatja az ultrahangalapú terhességbecslés elérhetőségét és ezzel az anyai egészség minőségét.
A tanulmány és módszer
A „Generalization of AI-Based Gestational Age Assessment Using Blind Sweep Ultrasonography” című tanulmányt a JAMA Network Open közölte. A kutatás azt vizsgálta, hogy egy gépi tanuláson alapuló, gesztációs korbecslésre épülő modell mennyire általánosítható különböző klinikai környezetekben és eltérő ultrahanghardvereken. Korábbi munkáikban a szerzők már igazolták a modell teljesítményét visszamenőleges kohorton belüli, nem látott betegeken; ez az új, prospektív vizsgálat azonban azt mérte fel, hogyan működik a rendszer élőben, mobil eszközökön, valódi klinikákon, kezdő operátorokkal és idegen ultrahangberendezésekkel, minimális finomhangolás mellett.
Az eredeti AI-modellt csak minimálisan hangolták át egy célpopuláción, majd prospektíven tesztelték két helyszínen:
- Northwestern Medicine: egy nagyvárosi, erőforrásban gazdag akadémiai központ Chicago-ban, Illinois államban, Egyesült Államok.
- Jacaranda Health: egy közösségi klinikai hálózat Nairobi-ban, Kenya fővárosában.
A modellt eredetileg Észak-Karolinában és Zambiában gyűjtött ultrahangadatokkal képezték, Sonosite, GE és Butterfly Networks gyári transzducereket használva. A prospektív vizsgálat során a rendszert Clarius C3 típusú, hordozható transzabdominális fejhez csatolták. A helyszínek különböztek abban, mikor jelentkeznek a nők első prenatális vizsgálatra, hány rutinszerű ultrahangot kapnak, és milyen gyakorlatokat alkalmaznak a gesztációs kor meghatározására.
A hatékony finomhangolás értékeléséhez a kutatók egy kis, chicago-i pilot adatkészletet használtak: 120 résztvevőt – ez az eredeti tréningkészlet mintegy 6%-a – alkalmaztak a modell adaptálásához az új hardverhez és a predikciós tartomány 36 hétnél távolabbi kiterjesztéséhez. A nigeri (Nairobi) adatokból egyáltalán nem vettek igénybe a finomhangoláshoz, így az ottani validáció független, külső tesztként szolgált. A tanulmányba többes terhességek is bekerültek, hogy értékeljék a rendszer viselkedését komplex, mérési szempontból kihívást jelentő esetekben.
Fő eredmények: szakértői szabványhoz hasonló pontosság
A kutatás összehasonlította az AI rendszer gesztációs korbecslő teljesítményét a klinikai standardként alkalmazott szakértői becsléssel, amely formulákon és precíz biometriaméréseken alapul, és amelyhez egy tapasztalt sonográfus több specifikus keresztmetszetet lokalizál.
A primer kohortban, 385 résztvevőn (terhességi kor 16–36 hét között) végzett diagnosztikai vizsgálat eredményei:
- Klinikai nem alacsonyabb pontosság: az AI-modell átlagos abszolút hibája (MAE) a gesztációs kor becslésében 4,18 nap volt, míg a szakértők által végzett standard eljárás MAE-je 4,48 nap – az AI így nem volt rosszabb a klinikai standardnál.
- Általánosíthatóság különböző helyszíneken: a chicagói, adaptált modell MAE-je 4,10 nap, Nairobiban pedig, helyi finomhangolás nélkül, 4,27 napos MAE-t ért el.
Az exploratív metrikák azt is jelezték, hogy a modell ellenálló volt összetettebb helyzetekben: például a magzati súly extrém értékei (a 90. percentilis fölött) esetén az AI jobb eredményt adott, mint a hagyományos biometriás formulák, ami a modell robosztusságát mutatja a magzati méret változékonyságával szemben.
Tapasztalatok a prospektív telepítés alatt
A tanulmány nemcsak a technikai potenciált emelte ki az ultrahang-hozzáférés bővítése terén, hanem lehetőséget adott arra is, hogy valós klinikai környezetben figyeljék meg és optimalizálják az AI viselkedését. A rendszer mindennapi klinikai munkafolyamatba való telepítése gyakorlati felismerésekhez vezetett, például a cserélhető akkumulátorok fontosságához a folyamatos betegforgalom mellett történő működtetéshez — ez gyakrabban előnyösebb volt, mint a dokkolós töltőrendszer.
A kutatók hangsúlyozták, hogy az ilyen AI-rendszerek bevezetése mély bizalomépítést igényel mind a klinikusok, mind a betegek részéről. Ennek része lehet a felhasználói alkalmazásba épített védőmechanizmusok kialakítása, például a rossz minőségű sweepek elutasítása és a modell bizonytalanságának kommunikálása a klinikai felhasználó felé a döntéstámogatás megbízhatósága érdekében.
Kitekintés: hozzáférésbővítés AI-val
A tanulmány azt mutatja, hogy az AI az előre definiált „vak söprés” képsorozatokat képes elemezni olyan operátorok által, akik nem rendelkeznek speciális sonográfusi képzettséggel. Az AI által adott gesztációs korbecslés pontossága összevethető volt a szakértői ellátás standardjával és a drágább, kocsis ultrahanggépekkel. A technikai általánosíthatóság bizonyítása eltérő klinikai környezetek, hardverek és populációk között fontos lépés annak megítélésében, hogy ez a megközelítés képes lehet növelni az ultrahangalapú prenatális vizsgálatok elérhetőségét.
Ha a minimálisan képzett közösségi egészségügyi dolgozók is megbízható ultrahangértékelést tudnak végezni, a megközelítés potenciálisan kiterjesztheti a prenatális ellátást milliók számára alulfinanszírozott területeken. Az ilyen skálázható technológiák vizsgálata megalapozza a rugalmasabb, hozzáférhetőbb egészségügyi rendszereket, amelyek célja, hogy minden anya helyzetétől függetlenül esélyt kapjon az egészséges terhességre és biztonságos szülésre.
Köszönetnyilvánítás
A tanulmány szerzői közé tartoznak a Google Research, Jacaranda Health és a Northwestern University Feinberg School of Medicine kutatói: Chace Lee, Justin Krogue, Anneka Wickramanayake, Stacey Caron, Priscah Cheruiyot, Amber Watters, Alicia Martín, Tiya Tiyasirichokchai, Akib Uddin, Yun Liu, Patricia Strachan, Sunny Jansen, Alyssa Santi, Preeti Singh, Catherine Arguelles, Kenneth Hudson, David Melnick, Mahesh Vaidyanathan, Mozziyar Etemadi, Yossi Matias, Avinatan Hassidim, Greg Corrado, Shruthi Prabhakara, Daniel Golden, Ryan G. Gomes és Shravya Shetty. Külön köszönet Pi-Chuan Changnek és Dale Websternek a munkához fűződő szakmai véleményükért.
A publikált eredmények a JAMA Network Open-ben található tanulmányból származnak és a cikkben bemutatott prospektív, többközpontú kísérlet konkrét adataira épülnek.
