La Organización Mundial de la Salud (OMS) estimaciones que cada año se producen más de 250,000 muertes evitables en todo el mundo debido a complicaciones relacionadas con el embarazo. Aunque la ecografía prenatal puede mejorar resultados y reduce mortalidad fetal y materna, dos tercios de las personas en el mundo carecen de acceso a imágenes médicas de diagnóstico como la ecografía. Los métodos actuales que apoyan la salud materna dependen en gran medida de formación clínica especializada, lo que deja a millones de personas en entornos con pocos recursos sin acceso a una sola ecografía durante todo el embarazo.
Vimos una oportunidad para realizar investigación orientada a abordar esta necesidad del mundo real, mediante el desarrollo de sistemas de aprendizaje automático que interpreten ecografías de "barrido a ciegas". Esta forma de escaneo permite que el personal sanitario de primera línea sin formación especializada en sonografía realice ecografías simplemente deslizando sondas de ultrasonido portátiles y de bajo costo a través del abdomen en un patrón estandarizado.
Diagrama del protocolo de secuencia de barrido a ciegas en el orden de su aparición en el protocolo de recolección de datos.
Debido a que muchas regiones enfrentan escasez crítica de expertos, y la formación tradicional de sonografistas es costosa y requiere un compromiso de varios años, permitir que estos trabajadores sanitarios realicen evaluaciones con una capacitación mínima tiene el potencial de expandir significativamente la cobertura de tamizaje prenatal.
Combinar el requisito de capacitación mínima con interpretaciones de IA podría significar, en última instancia, una herramienta desarrollada con éxito que tenga el potencial de aumentar la disponibilidad de la evaluación del embarazo basada en ultrasonido y, por lo tanto, mejorar el acceso a una salud materna de mayor calidad.
En “Generalización de la evaluación de la edad gestacional basada en IA mediante ecografía de barrido a ciegas”, publicado en JAMA Network Open, evaluamos la eficacia con la que un modelo de IA para la evaluación de la edad gestacional (el avance del embarazo) generaliza en diversos entornos clínicos y hardware. Mientras que nuestra investigación previa validó el rendimiento del modelo en pacientes no vistos de la misma cohorte retrospectiva de la que aprendió, este nuevo estudio prospectivo muestra cómo el sistema de IA funciona de manera confiable ejecutándose en vivo en dispositivos móviles en clínicas reales, con solo operadores novatos y equipos de ultrasonido desconocidos, y con un ajuste fino mínimo.
“La edad gestacional es básicamente el avance del embarazo de una mujer. Todo nuestro tamizaje, muchos de nuestros tratamientos y muchas de nuestras indicaciones para el parto se basan en esta línea de tiempo maestra que se obtiene de la edad gestacional.”
- Nichole Young-Lin, médica de obstetricia y ginecología
Evaluación del rendimiento en diversos entornos clínicos
Para que un sistema médico de IA pueda escalar de manera segura a nivel global, debe demostrar generalizabilidad: mantener un rendimiento diagnóstico preciso cuando se introduce en nuevos entornos clínicos con poblaciones de pacientes, flujos de trabajo clínicos y variaciones de hardware de ultrasonido diferentes a aquellos en los que se entrenó el modelo.
En este estudio, nuestro modelo de IA original se ajustó mínimamente en solo una de nuestras poblaciones objetivo, y luego se probó prospectivamente en ambos entornos objetivo:
- Northwestern Medicine: Un centro médico académico urbano de altos recursos en Chicago, IL, Estados Unidos.
- Jacaranda Health: Una red de clínicas comunitarias urbanas en Nairobi, Kenia.
Originalmente entrenado con datos de ultrasonido recopilados en Carolina del Norte y Zambia utilizando un conjunto de sondas de ultrasonido comerciales de Sonosite, GE y Butterfly Networks, el sistema de IA de investigación se emparejó con Clarius C3, una sonda transabdominal comercial de mano. Todos estos sitios diferían en varias dimensiones de la atención, incluido el momento en que las mujeres acuden por primera vez a la atención prenatal, cuántos ultrasonidos de rutina reciben y cómo se suele fechar la edad gestacional.
Para evaluar el ajuste eficiente del sistema, el estudio aprovechó un pequeño conjunto de datos piloto de 120 participantes de Chicago —aproximadamente el 6% del conjunto de entrenamiento original— para adaptar el modelo a un nuevo hardware de sonda y ampliar el rango de predicción de la edad gestacional más allá de las 36 semanas. Para comprender la generalización, no se utilizaron datos del sitio de Nairobi para el ajuste fino, manteniendo la validación clínica en Kenia como una prueba externa estrictamente independiente. Para evaluar la utilidad integral, el estudio también incluyó embarazos múltiples, que pueden presentar desafíos de seguimiento y medición tanto para operadores humanos como para sistemas automatizados.
Nuestro modelo de barrido ciego, entrenado con 1,968 participantes (Carolina del Norte, EE. UU., y Zambia), se ajustó finamente con ecografías de 120 participantes de Chicago, Illinois. Luego se probó prospectivamente en Chicago (n=192) y Nairobi (n=193), sin ajuste fino con datos de Nairobi. El modelo no fue inferior a los ecografistas expertos para determinar la edad gestacional, en ambos entornos, con un error absoluto medio combinado de 4.18 frente a 4.48 días.
Hallazgos clave: Igualar el estándar de los expertos
Comparamos la capacidad del sistema de IA para estimar la edad fetal a partir de ecografías de barrido ciego con la estimación basada en fórmulas a partir del enfoque experto clínicamente estándar. Este enfoque experto depende de que un ecografista experto localice múltiples cortes transversales específicos del feto o fetos para tomar mediciones biométricas precisas, una tarea difícil de escalar que requiere años de entrenamiento y depende en gran medida del operador.
Al evaluar una cohorte primaria de 385 participantes entre las semanas 16 y 36 de embarazo, el estudio diagnóstico demostró resultados sólidos del sistema de IA:
- Precisión clínicamente no inferior: En ambas cohortes, el modelo de IA logró un error absoluto medio (MAE) de 4.18 días al estimar la edad gestacional, demostrando con éxito la no inferioridad respecto al procedimiento clínico estándar realizado por ecografistas expertos, que tuvo un MAE de 4.48 días.
- Generalización entre entornos: En Chicago, el modelo adaptado logró un MAE de 4.10 días. En Nairobi, sin ninguna optimización local, el modelo logró un MAE comparable de 4.27 días.
El error del sistema de IA en la edad gestacional (MAE de 4.18 días) fue no inferior a la biometría de ecografistas expertos (4.48 días), y se mantuvo constante de Chicago (4.10 días) a Nairobi (4.27 días), donde el modelo no tuvo ningún ajuste fino local.
Más allá de la precisión, las métricas exploratorias mostraron que el sistema de IA de investigación era resistente en escenarios complejos. Por ejemplo, en casos de pesos fetales extremos (por encima del percentil 90), el modelo superó a las fórmulas biométricas tradicionales, demostrando robustez frente a variaciones en el tamaño fetal.
Lecciones aprendidas durante el despliegue prospectivo
Además de destacar una enorme oportunidad para expandir el acceso a la ecografía mediante la IA, el estudio prospectivo multicéntrico nos permitió observar y optimizar activamente cómo se comporta la IA en entornos clínicos en vivo. Al desplegar nuestro sistema directamente en los flujos de trabajo clínicos cotidianos, obtuvimos conocimientos prácticos que nos ayudan a diseñar para el uso en el mundo real. Por ejemplo, observamos la importancia de las baterías intercambiables frente a las estaciones de acoplamiento enchufables para mantener los dispositivos cargados entre pacientes consecutivos.
Estos estudios también demostraron que el despliegue de sistemas de IA como este también requerirá generar una confianza profunda tanto con los profesionales clínicos como con los pacientes. Una forma importante de lograrlo en última instancia sería incorporar salvaguardas claras en la aplicación, como estimaciones de confianza del modelo producidas por nuestro modelo para rechazar barridos de baja calidad y transmitir la incertidumbre del modelo al usuario clínico.
Mirando hacia el futuro: Ampliar el acceso a la atención médica con IA
Estos hallazgos del estudio indican que los sistemas basados en IA pueden analizar imágenes de “barridos ciegos” estandarizados adquiridas por operadores sin formación especializada en ecografía. La estimación de la edad fetal por parte de la IA tuvo una precisión comparable al estándar actual de atención de operadores expertos y de máquinas de ecografía tradicionales más costosas montadas en carritos. Demostrar la generalización técnica en diversos entornos clínicos, hardware y poblaciones cambiantes marca un paso clave para destacar su potencial de expandir el acceso a esta capacidad crítica para la salud materna.
Al capacitar mínimamente a trabajadores de salud comunitarios para realizar evaluaciones ecográficas fiables, esta investigación demuestra el potencial de expandir la cobertura prenatal para millones de personas en zonas con pocos recursos. Estudiar las capacidades de esta tecnología escalable sienta las bases para sistemas de salud más resilientes y accesibles, garantizando que cada madre, independientemente de su ubicación, tenga la oportunidad de un embarazo saludable y un parto seguro.
Esta investigación en el punto de atención representa una posible aplicación de nuestra visión más amplia de expandir la accesibilidad a la atención médica mediante la IA. Los conocimientos obtenidos de esta investigación informan el desarrollo de nuestra investigación de inteligencia médica multimodal de próxima generación. A través de nuestro trabajo continuo, nos esforzamos por proporcionar a la comunidad de desarrolladores y a los científicos las respuestas que necesitan para mejorar la atención clínica y hacerla útil y accesible para todos.
Agradecimientos
Gracias a nuestros coautores de Google Research, Jacaranda Health y Northwestern University Feinberg School of Medicine: 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 y Shravya Shetty. Gracias a Pi-Chuan Chang y Dale Webster por revisar este trabajo.