KI-gestützte Ultraschalluntersuchungen sollen mütterliche Versorgung in unterversorgten Regionen revolutionieren
Google Research und Google for Health haben ein KI-gestütztes Ultraschallsystem entwickelt, das darauf abzielt, medizinisches Fachpersonal an vorderster Front bei der kritischen mütterlichen Versorgung zu unterstützen, insbesondere in Regionen, in denen es an spezialisierten Sonographen mangelt. Eine kürzlich in JAMA Network Open veröffentlichte prospektive multizentrische Studie zeigt, dass dieser KI-basierte Ansatz es Nicht-Sonographen ermöglicht, mit kostengünstigen Sonden eine Beurteilung des Schwangerschaftsalters auf Experteneiveau durchzuführen, eine entscheidende Kennzahl für die Überwachung von Schwangerschaften.
Erweiterung des Zugangs zu essentieller Diagnostik
Die Weltgesundheitsorganisation schätzt, dass jährlich über 250.000 vermeidbare Müttersterblichkeitsfälle auftreten, wobei zwei Drittel der Weltbevölkerung keinen Zugang zu diagnostischer medizinischer Bildgebung wie Ultraschall haben. Die traditionelle Schwangerenvorsorge stützt sich stark auf hochqualifizierte Sonographen, eine Ressource, die in vielen ressourcenarmen Gebieten knapp ist. Dieses neue KI-System interpretiert „Blind-Sweep“-Ultraschalluntersuchungen, eine Scanmethode, bei der das medizinische Personal einfach tragbare Ultraschallsonden nach einem standardisierten Muster über den Bauch gleiten lässt. Dieser Ansatz reduziert den Bedarf an umfangreicher Schulung erheblich und macht pränatale Screenings potenziell für Millionen zugänglich.
Rigorose Evaluierung in verschiedenen Umgebungen
Die Studie mit dem Titel „Generalization of AI-Based Gestational Age Assessment Using Blind Sweep Ultrasonography“ untersuchte die Leistung des KI-Modells in verschiedenen klinischen Umgebungen und mit unterschiedlicher Hardware. Das KI-System wurde mit Daten aus einer Zielpopulation minimal abgestimmt und dann prospektiv in zwei verschiedenen Umgebungen getestet: Northwestern Medicine, einem städtischen akademischen medizinischen Zentrum in Chicago, USA, und Jacaranda Health, einem städtischen Netzwerk von Gemeinschaftskliniken in Nairobi, Kenia. Das KI-Modell wurde mit einer Clarius C3 Handheld-Transabdominalsonde gekoppelt. Um die Generalisierbarkeit zu bewerten, wurden keine Daten aus Nairobi für das Fine-Tuning verwendet, um sicherzustellen, dass es als streng unabhängiger externer Test diente.
Wichtige Ergebnisse: Vergleich mit Expertenstandards
Das KI-System der Forschung wurde mit dem Standardverfahren verglichen, das von erfahrenen Sonographen durchgeführt wird. In einer primären Kohorte von 385 Teilnehmern erreichte das KI-Modell einen mittleren absoluten Fehler (MAE) von 4,18 Tagen bei der Schätzung des Schwangerschaftsalters. Dies zeigte eine Nicht-Unterlegenheit gegenüber dem MAE der erfahrenen Sonographen von 4,48 Tagen. Das KI-System behielt eine vergleichbare Genauigkeit sowohl in Chicago (MAE 4,10 Tage) als auch in Nairobi (MAE 4,27 Tage), wo keine lokale Feinabstimmung durchgeführt wurde. Bemerkenswerterweise zeigte das KI-System auch in komplexen Szenarien Widerstandsfähigkeit und übertraf traditionelle Biometri-Formeln bei extremen fetalen Gewichten.
Lehren für die reale Implementierung
Die Implementierung des KI-Systems direkt in alltägliche klinische Arbeitsabläufe lieferte wertvolle Erkenntnisse. Die Studie hob die Bedeutung praktischer Überlegungen hervor, wie z. B. austauschbare Batterien für den kontinuierlichen Gerätebetrieb und die Notwendigkeit, Vertrauen bei Klinikern und Patienten durch klare Sicherheitsvorkehrungen aufzubauen, wie z. B. Modellkonfidenzschätzungen zur Angabe von Unsicherheiten.
Ausblick: Skalierbare Lösungen für die mütterliche Gesundheit
Diese Ergebnisse deuten darauf hin, dass KI-basierte Systeme standardisierte „Blind Sweeps“, die von gering geschultem Personal erworben wurden, effektiv analysieren können und eine Genauigkeit bieten, die mit von Experten durchgeführten Beurteilungen unter Verwendung teurerer Geräte vergleichbar ist. Die nachgewiesene technische Generalisierbarkeit über verschiedene Umgebungen, Hardware und Populationen hinweg stellt einen bedeutenden Schritt zur Erweiterung des Zugangs zu kritischen mütterlichen Gesundheitsleistungen dar. Durch die Stärkung von Gemeindegesundheitshelfern ebnet diese Forschung den Weg für widerstandsfähigere und zugänglichere Gesundheitssysteme, mit dem Ziel, gesündere Schwangerschaften und sicherere Geburten für Mütter weltweit zu gewährleisten.
