Studie som sammenligner to bildeinnsamlingsmodaliteter for ultralydscreening i andre trimester av svangerskapet (Echo-IA) (Echo-IA)

Morfologiultralyden i andre trimester er en nøkkelundersøkelse i fødselsomsorgen som har som mål å vurdere fosterets vekst, identifisere eventuelle strukturelle avvik og undersøke tilstøtende strukturer som morkaken, navlestrengen, livmorhalsen, ...

Flere studier antyder at en betydelig andel av fosterfeil kan oppdages i denne tidsrammen hvis en fullstendig morfologisk analyse utføres. Imidlertid avhenger påliteligheten av screeningen av kvaliteten på utstyret, operatørens ekspertisenivå og overholdelse av protokoller som definerer de nødvendige skanningene.

I Frankrike, siden de første rapportene fra den nasjonale tekniske komiteen for prenatal ultralydscreening (2005), har det vært særlig oppmerksomhet på standardisering av praksis. Nylig publiserte den franske nasjonale konferansen for obstetrisk og fosterultralyd (CNEOF) nye anbefalinger (2022, revidert i 2023) som inkluderer utvikling av referansesilhuetter for undersøkelsen i andre trimester, med 26 utsnitt (22 obligatoriske og 4 ekstra). Imidlertid formaliserer ikke CNEOF kvalitetskriterier for å vurdere konformiteten til disse bildene; denne oppgaven er overtatt av det franske kollegiet for fosterultralyd (CFEF), som har etablert en poeng- og valideringsskjema for hvert fosterutsnitt (se CFEF 2022-dokumentet).

Parallelt etablerer kunstig intelligens (KI) seg gradvis som et beslutningsstøtte- og automatiseringverktøy i medisinsk bildebehandling, spesielt i ultralyd. Dyp læringsalgoritmer er i stand til å identifisere anatomiske strukturer, plassere målemarkører og velge det mest optimale utsnittet, noe som reduserer variasjon mellom operatører og effektiviserer arbeidsflyten. Innen obstetrisk ultralyd har noen selskaper lansert systemer som kan oppdage eller annotere fosterstrukturer i sanntid, noe som potensielt forbedrer diagnostisk pålitelighet og reproduserbarhet. Samsung har utviklet et system kalt Live View Assist, tilgjengelig på sine nyeste generasjoner av ultralydskannere, som bruker KI til automatisk å gjenkjenne og fryse de nødvendige fosterutsnittene i sanntid.

Verktøyet tilbyr også automatisk validering: hvis det oppdagede utsnittet samsvarer med forventede standarder, blir det direkte avkrysset på en sjekkliste. Denne innovasjonen lover tidsbesparelser, redusert risiko for å gå glipp av visse komplekse utsnitt og forbedret standardisering.

Imidlertid er det lite data, spesielt i Frankrike, angående den faktiske ytelsen til dette verktøyet i en rutinemessig screeningskontekst. Før man vurderer integrering av Live View Assist og KI i daglig praksis, er det derfor avgjørende å evaluere kvaliteten på bildene det får tak i, gjennomførbarheten av en fullstendig undersøkelse assistert av KI, samt den potensielle virkningen på undersøkelsestid og forbedring av arbeidsbelastningen for ultralydteknikere.

Målet med denne studien er å evaluere om kvaliteten på de 20 obligatoriske bildene automatisk validert av Live View Assist ikke er dårligere enn kvaliteten på de 20 obligatoriske bildene innhentet og validert manuelt av en ultralydtekniker, i henhold til CFEFs kvalitetskriterier basert på silhuettene anbefalt av CNEOF.