Die Mutterschaftsversorgung an der Front mit künstlich intelligenzgestützten Ultraschallverfahren stärken

Stärkung der Betreuung schwangerer Frauen an vorderster Front durch künstliche Intelligenz unterstützte Ultraschalluntersuchungen

Die Weltgesundheitsorganisation (WHO) schätzt, dass jährlich weltweit mehr als 250,000 vermeidbare Todesfälle aufgrund von schwangerschaftsbedingten Komplikationen auftreten. Obwohl die pränatale Ultraschalluntersuchung ein entscheidendes Werkzeug zur Verbesserung der Ergebnisse sowie zur Senkung der Mortalität von Föten und Müttern ist, besteht weiterhin ein erhebliches Hindernis: Zwei Drittel der Weltbevölkerung haben keinen Zugang zu diagnostischen Bildgebungsverfahren wie Ultraschall. Derzeitige Methoden zur Förderung der Gesundheit von Schwangeren sind stark auf spezialisierte klinische Ausbildungen angewiesen, wodurch Millionen Menschen in Ländern mit begrenzten Ressourcen während ihrer gesamten Schwangerschaft keinen Zugang zu einer einzigen Ultraschalluntersuchung haben.

Um diese Lücke zu schließen, haben Forscher bei Google Research ein maschinelles Lernsystem entwickelt, das dazu dient, „blinde“ Ultraschalluntersuchungen zu interpretieren. Dieser Ansatz ermöglicht es medizinischem Personal an vorderster Front ohne spezielle Sonographie-Ausbildung, Untersuchungen durchzuführen, indem sie kostengünstige, tragbare Ultraschallsonden in einem standardisierten Muster über den Bauch bewegen. Durch die Kombination von geringen Anforderungen an die Ausbildung mit Interpretationen durch künstliche Intelligenz soll ein Werkzeug geschaffen werden, das die Verfügbarkeit von schwangerschaftsbezogenen Ultraschalluntersuchungen erhöht und damit den Zugang zu einer höheren Qualität der Gesundheitsversorgung für Schwangere weltweit verbessert.

Bewertung der Leistung in unterschiedlichen klinischen Umgebungen

Damit ein medizinisches KI-System weltweit sicher eingesetzt werden kann, muss es Generalisierbarkeit nachweisen – also eine genaue diagnostische Leistung bei Einführung in neue klinische Umgebungen mit unterschiedlichen Patientenpopulationen, klinischen Arbeitsabläufen und Varianten der Ultraschallhardware aufweisen, die von denen abweichen, an denen das Modell trainiert wurde.

In einer prospektiven Multizentrierstudie, die in JAMA Network Open unter dem Titel „Generalization of AI-Based Gestational Age Assessment Using Blind Sweep Ultrasonography“ veröffentlicht wurde, bewertete das Forscherteam, inwieweit ein KI-Modell zur Bestimmung des Schwangerschaftsalters in unterschiedlichen Umgebungen generalisieren kann. Die Studie ging über retrospektive Validierungen hinaus und zeigte, wie das KI-System zuverlässig auf mobilen Geräten in echten Kliniken funktioniert, wobei nur Anfänger sowie unbekannte Ultraschallgeräte mit minimalem Feintuning verwendet werden.

Wichtige Erkenntnisse: Anpassung an den Expertenstandard

Die Studie nutzte eine kleine Pilotdatensammlung mit 120 Teilnehmern aus Chicago – etwa 6% Prozent der ursprünglichen Trainingsdaten – um das Modell an neue Ultraschallgeräte anzupassen und den Bereich der Schätzung des Schwangerschaftsalters auf mehr als 36 Wochen auszudehnen. Das auf 1,968 Teilnehmern aus North Carolina, USA, und Sambia trainierte Modell des blinden Scannens wurde anhand von Untersuchungen von 120 Teilnehmern aus Chicago, Illinois, feinjustiert. Anschließend wurde es prospektiv in Chicago (n=192) und Nairobi (n=193) getestet, wobei keine Feinjustierung anhand der Daten aus Nairobi erfolgte.

Laut Google Research war das Modell in beiden Umgebungen nicht schlechter als erfahrene Sonographen bei der Bestimmung des Schwangerschaftsalters. Der kombinierte mittlere absolute Fehler (MAE) lag beim KI-System bei 4.18 Tagen, während er bei den erfahrenen Sonographen 4.48 Tage betrug.

Zu den spezifischen Ergebnissen der primären Kohorte mit 385 Teilnehmern in der Schwangerschaftswoche zwischen 16 und 36 gehörten:

• Klinisch nicht schlechtere Genauigkeit: In beiden Kohorten erreichte das KI-Modell einen MAE von 4.18 Tagen bei der Schätzung des Schwangerschaftsalters. Dies zeigte erfolgreich, dass es der Standardklinikmethode der erfahrenen Sonographen, deren MAE bei 4.48 Tagen lag, nicht unterlegen war.
• Generalisierbarkeit in unterschiedlichen Umgebungen: In Chicago erreichte das angepasste Modell einen MAE von 4.10 Tagen. In Nairobi, ohne lokale Optimierung, erzielte das Modell einen vergleichbaren MAE von 4.27 Tagen.
• Robustheit in komplexen Szenarien: Neben der Genauigkeit zeigten explorative Metriken, dass das Forschungs-KI-System in komplexen Situationen widerstandsfähig war. Beispielsweise übertraf es bei Fällen extremer Fetalgewichte (über dem 90th-Perzentil) traditionelle Biometrieformeln und bewies somit Robustheit gegenüber Schwankungen in der Fetalgröße.

Diese Erkenntnisse deuten darauf hin, dass KI-basierte Systeme standardisierte „blinde-Sweep“-Bilder analysieren können, die von Bedienern ohne spezielle Sonographie-Ausbildung aufgenommen werden. Die KI-Schätzung des Fetalalters wies eine Genauigkeit auf, die der aktuellen Standardversorgung durch erfahrene Bediener sowie teurere, auf Wagen basierende Ultraschallgeräte vergleichbar ist.

Erfahrungen bei der prospektiven Einführung

Durch die Untersuchung der Fähigkeiten dieser skalierbaren Technologie konnten Forscher aktiv beobachten und optimieren, wie sich KI in echten klinischen Umgebungen verhält. Durch die direkte Einbindung des Systems in alltägliche klinische Arbeitsabläufe gewann das Team praktische Erkenntnisse, die bei der Entwicklung für den Einsatz in der Realität helfen.

Eine spezifische Beobachtung unterstrich die Bedeutung austauschbarer Batterien im Vergleich zu Steckdosen-Hubstationen zur Aufrechterhaltung der Ladung der Geräte zwischen aufeinanderfolgenden Patienten. Solche logistischen Aspekte sind entscheidend für die Nachhaltigkeit von Point-of-Care-Tools in ressourcenarmen Umgebungen.

Außerdem betonte die Studie, dass die Einführung solcher KI-Systeme ein tiefes Vertrauen sowohl bei Ärzten als auch bei Patienten erfordert. Eine wichtige Möglichkeit, dies letztendlich zu erreichen, besteht darin, klare Schutzmechanismen in die App einzubauen. Google Research wies darauf hin, dass ein wesentlicher Schutzmechanismus die Erstellung von Konfidenzschätzungen des Modells durch die KI ist. Diese Schätzungen ermöglichen es dem System, schlecht qualitativ erstellte Ergebnisse abzulehnen und dem klinischen Anwender die Unsicherheit des Modells mitzuteilen, wodurch sichergestellt wird, dass die Technologie als unterstützendes Werkzeug und nicht als Ersatz für das klinische Urteilsvermögen dient.

Zukunftsperspektiven: Erweiterung des Zugangs zu Gesundheitsversorgung mit KI

Die aus dieser Forschung gewonnenen Erkenntnisse fließen in die Entwicklung nächste Generationen multimodaler medizinischer Intelligenzen ein. Die Studie zeigt das Potenzial auf, die pränatale Versorgung für Millionen Menschen in unterversorgten Gebieten zu erweitern, indem minimal ausgebildete Gemeinschaftsgesundheitsarbeiter befähigt werden, zuverlässige Ultraschalluntersuchungen durchzuführen.

Dadurch, dass diese Gesundheitsarbeiter mit minimalem Training Untersuchungen durchführen können, hat die Technologie das Potenzial, den Umfang der pränatalen Früherkennungsuntersuchungen erheblich zu erweitern. Wie in der Studie festgestellt, ist das Schwangerschaftsalter die zentrale Zeitachse für alle Untersuchungen, Behandlungen und Geburtsindikationen. Die Verbesserung der Genauigkeit und Zugänglichkeit dieser Untersuchung ist ein wichtiger Schritt zur Erweiterung der lebensrettenden Versorgung von Müttern weltweit.

Durch kontinuierliche Arbeit strebt das Forschungsteam danach, der Entwicklungscommunity und Wissenschaftlern die Antworten zu liefern, die sie benötigen, um die klinische Versorgung zu verbessern und sie für alle zugänglich und nützlich zu machen. Diese Point-of-Care-Forschung stellt eine mögliche Anwendung einer umfassenderen Vision dar, die Gesundheitsversorgung durch KI zu erweitern, damit jede Mutter, unabhängig von ihrem Aufenthaltsort, die Chance auf eine gesunde Schwangerschaft und eine sichere Geburt hat.

Fazit

Die geplante Multizentrierstudie zeigt, dass eine auf KI basierende Ultraschallbewertung mit „blindem Scan“ es Operateuren ohne Sonografie-Ausbildung ermöglicht, mithilfe kostengünstiger Proben Expertenqualität bei der Bestimmung des Schwangerschaftsalters zu erreichen. Durch die Erreichung einer Genauigkeit, die der von erfahrenen Sonografen in unterschiedlichen klinischen Umgebungen und mit verschiedenen Geräten entspricht, stellt diese Forschung einen bedeutenden Schritt zur Ausweitung lebensrettender Mutterschaftsversorgung weltweit dar. Die Kombination aus geringen Schulungsanforderungen, hoher Allgemeingültigkeit sowie praktischen Einsatzempfehlungen legt den Grundstein für widerstandsfähigere und zugänglichere Gesundheitssysteme.

Quelle:

• Stärkung der Mutterschaftsversorgung an vorderster Front durch KI-gestützten Ultraschall — Google Research — https://research.google/blog/empowering-frontline-maternal-care-with-ai-assisted-ultrasound