Donner plus de pouvoir aux soins maternels de première ligne grâce à l’échographie assistée par l’IA

Renforcer les soins maternels de première ligne grâce à l’échographie assistée par l’IA

L’Organisation mondiale de la santé (OMS) estime qu’un peu 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 soit un outil essentiel pour améliorer les résultats et réduire la mortalité fœtale et maternelle, un obstacle majeur persiste : deux tiers de la population mondiale n’ont pas accès à des images médicales diagnostiques comme l’échographie. Les méthodes actuelles de suivi de la santé maternelle dépendent fortement d’une formation clinique spécialisée, ce qui prive des millions de personnes vivant dans des zones à ressources limitées de tout accès à une échographie au cours de toute leur grossesse.

Pour combler cette lacune, des chercheurs de Google Research ont développé un système d’apprentissage automatique conçu pour interpréter les échographies réalisées par balayage aveugle. Cette approche permet aux professionnels de santé de première ligne sans formation spécialisée en échographie d’effectuer des examens en glissant simplement des sondes échographiques peu coûteuses et portables sur l’abdomen selon un schéma standardisé. En combinant des exigences de formation minimales avec des interprétations assurées par l’IA, l’objectif est de créer un outil qui augmente la disponibilité des évaluations prénatales basées sur l’échographie, améliorant ainsi l’accès à une santé maternelle de meilleure qualité dans le monde entier.

Évaluer les performances dans différents contextes cliniques

Pour qu’un système d’IA médicale puisse être déployé en toute sécurité à l’échelle mondiale, il doit faire preuve de généralisabilité — c’est-à-dire maintenir des performances diagnostiques précises lorsqu’il est introduit dans de nouveaux contextes cliniques présentant des populations de patients, des flux de travail cliniques et des variations d’équipement échographique différents de ceux sur lesquels le modèle a été entraîné.

Dans une étude prospective multicentrique publiée dans JAMA Network Open, intitulée « Generalization of AI-Based Gestational Age Assessment Using Blind Sweep Ultrasonography », l’équipe de recherche a évalué dans quelle mesure un modèle d’IA pour l’évaluation de l’âge gestationnel peut se généraliser dans différents environnements. Cette étude allait au-delà de la validation rétrospective pour montrer comment le système d’IA fonctionne de manière fiable lorsqu’il est utilisé en direct sur des appareils mobiles dans des cliniques réelles, avec uniquement des opérateurs inexpérimentés et des équipements échographiques inconnus, sans besoin de retouche importante.

L’étude a comparé la capacité du système d’IA à estimer l’âge fœtal à partir d’échographies de balayage aveugle avec l’approche experte, standard en clinique. Cette méthode traditionnelle repose sur un échographe expert qui localise plusieurs sections transversales spécifiques du fœtus afin de prendre des mesures biométriques précises. Ce processus est difficile à mettre à l’échelle, nécessite des années de formation et dépend fortement de l’opérateur.

Le système d’IA de recherche a été initialement entraîné à partir de données d’échographie collectées en Caroline du Nord et en Zambie, en utilisant des sondes d’échographie commerciales de Sonosite, GE et Butterfly Networks. Afin de tester l’efficacité de l’ajustement du système et sa généralisabilité, le modèle a été légèrement ajusté sur une seule population cible avant d’être testé de manière prospective dans deux environnements distincts :

• Northwestern Medicine : Un centre médical universitaire urbain doté de nombreux ressources à Chicago, dans l’Illinois, aux États-Unis.
• Jacaranda Health : Un réseau de cliniques communautaires urbaines à Nairobi, au Kenya.

Tous les sites présentaient des différences dans divers aspects des soins, notamment le moment où les femmes commencent leurs consultations prénatales, le nombre d’échographies de routine qu’elles reçoivent et la manière dont l’âge gestationnel est généralement déterminé. Afin d’évaluer la généralisabilité, aucune donnée provenant du site de Nairobi n’a été utilisée pour le réglage fin, afin de conserver la validation clinique kényane comme un test externe strictement indépendant.

Résultats principaux : Égalité avec la norme experte

L’étude a utilisé un petit ensemble de données pilote comprenant 120 participants de Chicago — soit environ 6% du jeu de données d’entraînement initial — afin d’adapter le modèle aux nouveaux équipements de sondes et d’étendre la plage de prédiction de l’âge gestationnel au-delà de 36 semaines. Le modèle de balayage aveugle, entraîné à partir de 1,968 participants de Caroline du Nord, aux États-Unis, et de Zambie, a été réglé finement à l’aide d’imageries provenant de 120 participants de Chicago, dans l’Illinois. Il a ensuite été testé de manière prospective à Chicago (n=192) et à Nairobi (n=193), sans réglage fin basé sur les données de Nairobi.

Selon Google Research, le modèle s’est avéré non inférieur aux échographistes experts pour déterminer l’âge gestationnel dans les deux contextes. L’erreur absolue moyenne combinée (EAM) était de 4.18 jours pour le système d’IA, contre 4.48 jours pour les échographistes experts.

Les résultats spécifiques de la cohorte principale composée de 385 participants entre 16 et 36 semaines de grossesse étaient les suivants :

• Précision cliniquement non inférieure : Dans les deux cohortes, le modèle d’IA a atteint une EAM de 4.18 jours pour estimer l’âge gestationnel. Cela a démontré avec succès sa non-infériorité par rapport à la procédure clinique standard pratiquée par les échographistes experts, dont l’EAM était de 4.48 jours.
• Généralisation entre contextes : À Chicago, le modèle adapté a atteint une EAM de 4.10 jours. À Nairobi, sans optimisation locale, le modèle a obtenu une EAM comparable, soit 4.27 jours.
• Résilience dans des scénarios complexes : En plus de la précision, des métriques exploratoires ont montré que le système d’IA de recherche était résilient face à des scénarios complexes. Par exemple, dans les cas de poids fœtal extrême (au-dessus du percentile 90th), le modèle a surpassé les formules biométriques traditionnelles, démontrant ainsi sa résilience face aux variations de taille fœtale.

Ces résultats indiquent que les systèmes basés sur l’IA peuvent analyser des images standardisées issues de « balayages aveugles » pris par des opérateurs sans formation spécialisée en échographie. L’estimation de l’âge fœtal par l’IA présentait une précision comparable à celle de la prise en charge standard actuelle assurée par des opérateurs experts, ainsi qu’à celle des appareils d’échographie traditionnels plus coûteux.

Leçons apprises lors du déploiement prospectif

L’étude des capacités de cette technologie scalable a permis aux chercheurs d’observer et d’optimiser activement le comportement de l’IA dans des environnements cliniques réels. En déployant le système directement dans les flux de travail cliniques quotidiens, l’équipe a acquis des connaissances pratiques utiles pour concevoir des solutions adaptées à un usage en situation réelle.

Une observation spécifique a souligné l’importance des batteries remplaçables par rapport aux stations de charge pour maintenir les appareils chargés entre les différents patients. De tels détails logistiques sont essentiels pour assurer la durabilité des outils de soins sur place dans des environnements à ressources limitées.

De plus, l’étude a mis en évidence que le déploiement de systèmes d’IA de ce type nécessite d’établir une confiance profonde tant auprès des cliniciens que des patients. Une façon importante d’y parvenir consiste à intégrer des mécanismes de protection clairs dans l’application. Google Research a indiqué qu’un mécanisme de protection clé est la production par l’IA d’estimations de la confiance du modèle. Ces estimations permettent au système de rejeter les résultats de mauvaise qualité et de communiquer l’incertitude du modèle à l’utilisateur clinicien, garantissant ainsi que la technologie serve d’outil d’aide plutôt que de remplacement du jugement clinique.

Vers l’avenir : Élargir l’accès aux soins grâce à l’IA

Les enseignements tirés de cette recherche orientent le développement d’une intelligence médicale multimodale de nouvelle génération. L’étude montre le potentiel d’élargir la couverture prénatale pour des millions de personnes dans des régions sous-dotées, en permettant aux travailleurs de santé communautaires peu formés d’effectuer des évaluations par échographie fiables.

En permettant à ces travailleurs de santé d’effectuer des évaluations avec une formation minimale, cette technologie a le potentiel d’élargir considérablement la couverture du dépistage prénatal. Comme indiqué dans l’étude, l’âge gestationnel constitue le cadre temporel principal pour tous les dépistages, traitements et indications de mise au monde. Améliorer la précision et l’accès à cette évaluation représente une étape importante vers l’élargissement des soins maternels vitaux dans le monde entier.

Grâce à un travail continu, l’équipe de recherche s’efforce de fournir à la communauté du développement et aux scientifiques les réponses dont ils ont besoin pour améliorer les soins cliniques et en faire un outil utile et accessible à tous. Cette recherche sur le point de soin incarne une application potentielle d’une vision plus large visant à élargir l’accès aux soins de santé grâce à l’IA, afin que chaque mère, quel que soit son lieu de résidence, ait la chance d’avoir une grossesse saine et un accouchement sûr.

Conclusion

L’étude multicentrique prospective montre que l’évaluation par échographie de balayage aveugle basée sur l’IA permet aux opérateurs non spécialistes, équipés de sondes peu coûteuses, d’obtenir des estimations de l’âge gestationnel au niveau des experts. En atteignant une précision comparable à celle des échographistes experts dans divers contextes cliniques et avec différents équipements, cette recherche représente une étape importante vers l’élargissement des soins maternels vitaux à l’échelle mondiale. La combinaison de besoins de formation minimes, d’une grande généralisabilité et de conseils pratiques pour le déploiement jette les bases de systèmes de santé plus résilients et accessibles.

Source :

• Renforcer les soins maternels de première ligne grâce à l’échographie assistée par l’IA — Google Research — https://research.google/blog/empowering-frontline-maternal-care-with-ai-assisted-ultrasound