Human-AI Collaborative Intelligence för att förbättra fosterflödeshantering

För närvarande fungerar Doppler ultraljudshastighetsmätning som ett avgörande verktyg i obstetrisk praktik, särskilt för att bedöma navelartären (UA) och mellersta cerebrala artären (MCA) i uteroplacental-fostercirkulationen. Även om Doppler-ultraljud är värdefullt för att upptäcka tillstånd som fosteranemi och placentainsufficiens, är dess noggrannhet beroende av operatörens expertis. Artificiell intelligens (AI) erbjuder potentiella förbättringar, särskilt vid högriskgraviditeter. Befintliga AI-applikationer inom fetalt ultraljud saknar dock ofta transparens, vilket leder till misstroende hos användare. Denna studie syftar till att ta itu med dessa begränsningar genom att utveckla en förklarlig AI-modell för att hjälpa kliniker att tolka Doppler-ultraljudsbilder av UA och MCA för förbättrad hantering av högriskgraviditeter.

Studiens mål är:

1. Att utveckla en tolkningsbar modell för vanliga dopplerflöden, särskilt Pulsatility Index (PI) för navelartären (UA) och mellersta cerebrala artären (MCA), med syftet att ge kvalitetsfeedback på dopplerspektrumbilder och föreslå potentiella gateplaceringar.
2. För att testa effekterna av att tillhandahålla Explainable AI (XAI)-feedback för kliniker jämfört med ingen feedback om deras noggrannhet i ultraljudstolkning och -hantering.

Alla deltagare kommer att instrueras att tillhandahålla grindplacering för flödesbilder av navelartären och MCA, och att utvärdera kvaliteten på de resulterande flödeskurvorna. Varje deltagare kommer att behöva utvärdera totalt 40 unika bilder (10 flödesbilder för UA och MCA, 10 spektrala dopplerbilder för UA respektive MCA). Från de fyra grupperna (UA-flöde, UA-spektrum, MCA-flöde & MCA-spektrum) kommer utredarna att tillhandahålla matchade uppsättningar av 40 bilder som tillhandahålls till deltagarna, som matchas för deras erfarenhetsnivå inom varje sjukhus (PGY 1) -2; PGY 3-5; För flödesbilder kommer deltagarna att instrueras att identifiera den mest lämpliga grindplaceringen. För de spektrala flödeskurvorna kommer deltagarna att uppmanas att utvärdera om flödeskurvorna var av tillräcklig kvalitet för att informera medicinska ledningsbeslut.

Inklusionskriterierna för MCA- och UA-bilder kommer att vara bilder tagna från tredje trimestern (>= vecka 28).

Studiedesign: Randomiserad kontrollerad studie

Datakälla: 1840 unika ultraljudsundersökningar inklusive mätningar av navelartär (UA) och mellersta cerebral artär (MCA). De 1840 unika bilderna inkluderar: 460 bilder av UA-flödesbilder, 460 UA-spektrumbilder, 460 MCA-flödesbilder och 460 MCA-spektrumbilder.

Deltagare: 92 läkare med varierande kompetensnivåer på fyra olika universitetssjukhus.

Intervention: XAI-feedback på MCA/UA Doppler-spektralkurvor och förslag på grindplacering.

Kontrollgrupp: Ingen XAI-feedback.

Procedur: Läkare kommer att delas in i två grupper om 46 vardera, matchade för erfarenhetsnivåer på olika sjukhus. Kontrollgruppen kommer att placera en grind på MCA/UA-bilder och utvärdera dopplerspektrumet utan AI-feedback, medan interventionsgruppen kommer att utföra samma uppgifter med tillgång till AI-feedback.

Resultatmått: Deltagarnas svar i de två grupperna granskas av två fostermedicinska sonografer som utvärderar deltagarnas svar oberoende av varandra. I en oenighet når de två sonograferna konsensus efter diskussion.