L'Organisation mondiale de la Santé (OMS) estime que plus de 250,000 décès évitables surviennent chaque année dans le monde en raison de complications liées à la grossesse. Bien que l'échographie prénatale puisse améliorer les issues et réduire la mortalité fœtale et maternelle, les deux tiers des personnes dans le monde n'ont pas accès à l'imagerie médicale diagnostique comme l'échographie. Les méthodes actuelles de soutien à la santé maternelle reposent fortement sur une formation clinique spécialisée, laissant des millions de personnes dans des contextes à faibles ressources sans accès à une seule échographie pendant toute leur grossesse.
Nous avons vu une opportunité de mener des recherches pour répondre à ce besoin concret, en développant des systèmes d'apprentissage automatique qui interprètent les échographies dites «blind sweep». Cette méthode de balayage permet aux professionnels de santé de première ligne, sans formation spécialisée en échographie, de réaliser des examens en faisant simplement glisser des sondes échographiques portables et peu coûteuses sur l'abdomen selon un schéma standardisé.
Diagramme de la séquence de balayage à l'aveugle dans l'ordre de leur apparition dans le protocole de collecte de données.
Comme de nombreuses régions font face à une pénurie critique d'experts, et que la formation traditionnelle des échographistes est à la fois coûteuse et exige un engagement de plusieurs années, permettre à ces professionnels de santé de réaliser des évaluations avec une formation minimale pourrait considérablement élargir la couverture du dépistage prénatal.
Associer l'exigence de formation minimale aux interprétations par l'IA pourrait finalement signifier la mise au point réussie d'un outil ayant le potentiel d'augmenter la disponibilité de l'évaluation de la grossesse par échographie, et ainsi d'améliorer l'accès à des soins maternels de meilleure qualité.
Dans «Généralisation de l'évaluation de l'âge gestationnel par IA à l'aide de l'échographie en balayage à l'aveugle», publié dans JAMA Network Open, nous avons évalué l'efficacité avec laquelle un modèle d'IA d'estimation de l'âge gestationnel (l'avancement de la grossesse) se généralise à travers divers contextes cliniques et matériels. Alors que nos recherches précédentes ont validé les performances du modèle sur des patientes inédites issues de la même cohorte rétrospective dont il a appris, cette nouvelle étude prospective montre comment le système d'IA fonctionne de manière fiable en direct sur des appareils mobiles dans de vraies cliniques, avec uniquement des opérateurs novices et des équipements échographiques inconnus, et un ajustement minimal.
“L'âge gestationnel correspond essentiellement à l'avancement de la grossesse chez une femme. Tout notre dépistage, une grande partie de nos traitements et beaucoup de nos indications d'accouchement reposent tous sur cette chronologie maîtresse que l'on obtient à partir de l'âge gestationnel.”
- Nichole Young-Lin, médecin gynécologue-obstétricienne
Évaluation des performances dans divers contextes cliniques
Pour qu'un système d'IA médicale puisse passer à l'échelle mondiale en toute sécurité, il doit démontrer sa généralisabilité — c'est-à-dire maintenir des performances diagnostiques précises lorsqu'il est introduit dans de nouveaux contextes cliniques présentant des populations de patientes, des flux de travail cliniques et des variations de matériel échographique différents de ceux sur lesquels le modèle a été entraîné.
Dans cette étude, notre modèle d'IA original n'a été ajusté que de manière minimale sur une seule de nos populations cibles, puis testé de manière prospective dans les deux environnements cibles :
- Northwestern Medicine: un centre médical universitaire urbain à ressources élevées situé à Chicago, Illinois, États-Unis.
- Jacaranda Health : Un réseau de cliniques communautaires urbaines à Nairobi, au Kenya.
Initialement entraîné sur des données d'échographie collectées en Caroline du Nord et en Zambie à l'aide d'un ensemble de sondes échographiques commerciales Sonosite, GE et Butterfly Networks, le système d'IA de recherche a été associé au Clarius C3, une sonde transabdominale portative commerciale. Tous ces sites différaient sur diverses dimensions de soins, notamment le moment où les femmes viennent pour la première fois en consultation prénatale, le nombre d'échographies de routine qu'elles reçoivent et la manière dont l'âge gestationnel est habituellement daté.
Pour évaluer le réglage efficace du système, l'étude a exploité un petit ensemble de données pilote de 120 participantes de Chicago — soit environ 6% de l'ensemble d'entraînement original — pour adapter le modèle au nouveau matériel de sonde et étendre la plage de prédiction de l'âge gestationnel au-delà de 36 semaines. Pour comprendre la généralisabilité, aucune donnée du site de Nairobi n'a été utilisée pour le fine-tuning, maintenant la validation clinique kényane comme un test externe strictement indépendant. Pour évaluer l'utilité globale, l'étude a également inclus des grossesses gémellaires, qui pouvaient présenter des défis de suivi et de mesure tant pour les opérateurs humains que pour les systèmes automatisés.
Notre modèle de balayage en aveugle, entraîné sur 1,968 participantes (Caroline du Nord, États-Unis, et Zambie), a été affiné sur des échographies de 120 participantes de Chicago, dans l'Illinois. Il a ensuite été testé prospectivement à Chicago (n=192) et à Nairobi (n=193), sans fine-tuning sur les données de Nairobi. Le modèle n'était pas inférieur aux échographistes experts pour déterminer l'âge gestationnel, dans les deux contextes, avec une erreur absolue moyenne combinée de 4.18 contre 4.48 jours.
Principales conclusions : à la hauteur de la norme experte
Nous avons comparé la capacité du système d'IA à estimer l'âge fœtal à partir d'échographies en balayage à l'aveugle avec l'estimation par formule à partir de l'approche experte cliniquement standard. Cette approche experte repose sur un échographiste expert qui localise plusieurs coupes spécifiques du ou des fœtus afin de réaliser des mesures biométriques précises, une tâche difficile à déployer à grande échelle qui nécessite des années de formation et dépend fortement de l'opérateur.
En évaluant une cohorte principale de 385 participantes entre 16 et 36 semaines de grossesse, l'étude diagnostique a démontré de solides résultats pour le système d'IA :
- Exactitude cliniquement non inférieure: Sur les deux cohortes, le modèle d'IA a atteint une erreur absolue moyenne (MAE) de 4.18 jours dans l'estimation de l'âge gestationnel, démontrant ainsi avec succès la non-infériorité par rapport à la procédure clinique standard réalisée par des échographistes experts, dont la MAE était de 4.48 jours.
- Généralisation entre contextes: À Chicago, le modèle adapté a atteint une MAE de 4.10 jours. À Nairobi, sans aucune optimisation locale, le modèle a atteint une MAE comparable de 4.27 jours.
L'erreur du système d'IA sur l'âge gestationnel (MAE 4.18 jours) était non inférieure à la biométrie des échographistes experts (4.48 jours), et est restée constante de Chicago (4.10 jours) à Nairobi (4.27 jours), où le modèle n'avait fait l'objet d'aucun affinage local.
Au-delà de l'exactitude, des métriques exploratoires ont montré que le système d'IA de recherche était résilient dans des scénarios complexes. Par exemple, dans les cas de poids fœtal extrêmes (au-dessus du 90e centile), le modèle a surpassé les formules biométriques traditionnelles, démontrant sa robustesse face aux variations de taille du fœtus.
Enseignements tirés du déploiement prospectif
En plus de mettre en évidence une immense opportunité d'élargir l'accès à l'échographie grâce à l'IA, l'étude prospective multicentrique nous a permis d'observer activement et d'optimiser le comportement de l'IA dans des environnements cliniques réels. En déployant notre système directement dans les flux de travail cliniques quotidiens, nous avons acquis des enseignements pratiques qui nous aident à concevoir pour une utilisation dans le monde réel. Par exemple, nous avons constaté l'importance de batteries remplaçables plutôt que de stations d'accueil branchées pour maintenir les appareils chargés entre des patients consécutifs.
Ces études ont également démontré que le déploiement de systèmes d'IA de ce type nécessitera aussi d'établir une confiance profonde avec les cliniciens comme avec les patients. Un moyen important d'y parvenir à terme consisterait à intégrer des garanties claires dans l'application, comme des estimations de confiance du modèle produites par notre modèle pour rejeter les balayages de mauvaise qualité et communiquer l'incertitude du modèle à l'utilisateur clinicien.
Perspectives : élargir l'accès aux soins grâce à l'IA
Ces résultats d'étude indiquent que les systèmes basés sur l'IA peuvent analyser des images de « balayages à l'aveugle » standardisées acquises par des opérateurs sans formation spécialisée en échographie. L'estimation de l'âge fœtal par l'IA présentait une exactitude comparable à la norme de soins actuelle établie par des opérateurs experts et par des échographes traditionnels plus coûteux à chariot. Démontrer la généralisabilité technique à travers divers contextes cliniques, matériels et populations changeantes constitue une étape clé pour mettre en évidence leur potentiel à élargir l'accès à cette capacité essentielle pour la santé maternelle.
En permettant à des agents de santé communautaire peu formés de réaliser des évaluations échographiques fiables, cette recherche démontre le potentiel d'élargissement de la couverture prénatale pour des millions de personnes dans les zones sous-dotées. L'étude des capacités de cette technologie déployable à grande échelle pose les bases de systèmes de santé plus résilients et plus accessibles, garantissant à chaque mère, quel que soit son lieu de résidence, la chance de vivre une grossesse saine et un accouchement en toute sécurité.
Cette recherche au point de soin représente une application potentielle de notre vision plus large visant à élargir l'accès aux soins de santé grâce à l'IA. Les enseignements tirés de cette recherche alimentent le développement de notre recherche de prochaine génération en intelligence médicale multimodale. À travers notre travail continu, nous nous efforçons d'apporter à la communauté des développeurs et aux scientifiques les réponses dont ils ont besoin pour améliorer les soins cliniques et les rendre utiles et accessibles à tous.
Remerciements
Merci à nos co-auteurs de Google Research, Jacaranda Health et 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, et Shravya Shetty. Merci à Pi-Chuan Chang et Dale Webster pour la relecture de ce travail.