Undersøgelse, der sammenligner to billedoptagelsesmodaliteter for ultralydsscreening i andet trimester af graviditeten (Echo-IA) (Echo-IA)

Den anden-trimester morfologi ultralyd er en nøgleundersøgelse i obstetrisk overvågning, der har til formål at vurdere fosterets vækst, identificere eventuelle strukturelle abnormiteter og inspicere anexer såsom placenta, navlestreng, livmoderhals,...

Flere undersøgelser antyder, at en betydelig andel af fosterdeformiteter kan opdages i dette tidsrum, hvis en komplet morfologisk analyse udføres. Dog afhænger screeningens pålidelighed af udstyrets kvalitet, operatørens ekspertiseniveau og overholdelse af protokoller, der definerer de nødvendige scanninger.

I Frankrig, siden de første rapporter fra det Nationale Tekniske Udvalg for Prænatal Screening Ultralyd (2005), er der blevet lagt særlig vægt på at standardisere praksisser. For nylig offentliggjorde den Franske Nationale Konference for Obstetrisk og Foster Ultralyd (CNEOF) nye anbefalinger (2022, revideret i 2023), herunder udviklingen af referencesilhuetter til anden-trimester undersøgelsen, der foreslår 26 udsnit (22 påkrævede og 4 yderligere). Dog formaliserer CNEOF ikke kvalitetskriterier for evaluering af disse billeders overensstemmelse; denne opgave er blevet overtaget af det Franske Kollegium for Foster Ultralyd (CFEF), som har etableret en scoring- og valideringsgitter for hvert fosterudsnit (se CFEF 2022 dokument).

Samtidig etablerer kunstig intelligens (AI) sig gradvist som et beslutningsstøtte- og automationsværktøj i medicinsk billeddannelse, især i ultralyd. Deep learning-algoritmer er i stand til at identificere anatomiske strukturer, placere målemærker og vælge det mest optimale udsnit, hvilket reducerer variation mellem operatører og strømline arbejdsgangen. Inden for obstetrisk ultralyd har nogle virksomheder lanceret systemer, der kan detektere eller annotere fosterstrukturer i realtid, hvilket potentielt forbedrer diagnostisk pålidelighed og reproducerbarhed. Samsung har udviklet et system kaldet Live View Assist, tilgængeligt på deres nyeste generation ultralydscannere, som bruger AI til automatisk at genkende og fryse de nødvendige fosterudsnit i realtid.

Værktøjet tilbyder også automatiseret validering: hvis det detekterede udsnit overholder de forventede standarder, bliver det direkte markeret på en tjekliste. Denne innovation lover tidsbesparelse, reduceret risiko for at overse visse komplekse udsnit og forbedret standardisering.

Dog er der få data, især i Frankrig, vedrørende dette værktøjs faktiske præstation i en rutinemæssig screeningskontekst. Før integration af Live View Assist og AI i daglig praksis overvejes, er det derfor afgørende at evaluere kvaliteten af de billeder det indhenter, gennemførligheden af en komplet undersøgelse assisteret af AI, samt den potentielle indvirkning på undersøgelsestid og forbedring af arbejdsbyrden for ultralydsteknikere.

Formålet med denne undersøgelse er at evaluere, om kvaliteten af de 20 obligatoriske billeder automatisk valideret af Live View Assist ikke er ringere end kvaliteten af de 20 obligatoriske billeder indhentet og valideret manuelt af en ultralydstekniker, i henhold til CFEF's kvalitetskriterier baseret på silhuetterne anbefalet af CNEOF.