Studie som jämför två bildinsamlingsmodaliteter för ultraljudsscreening under andra trimestern av graviditet (Echo-IA) (Echo-IA)

Den andra-trimester morfologi-ultraljudet är en nyckelundersökning inom obstetrisk övervakning som syftar till att bedöma fosterutveckling, identifiera eventuella strukturella abnormiteter och inspektera anex som placenta, navelsträng, livmoderhals,...

Flera studier tyder på att en betydande andel foster missbildningar kan upptäckas under denna tidsram om en fullständig morfologisk analys utförs. Tillförlitligheten hos screeningen beror dock på utrustningens kvalitet, operatörens kompetensnivå och efterlevnaden av protokoll som definierar de nödvändiga skanningarna.

I Frankrike har sedan de första rapporterna från det nationella tekniska kommittén för prenatal screeningsultraljud (2005) särskild uppmärksamhet ägnats åt att standardisera praxis. Mer nyligen publicerade den franska nationella konferensen för obstetriskt och fosterultraljud (CNEOF) nya rekommendationer (2022, reviderade 2023) inklusive utvecklingen av referenssilhuetter för andra-trimesterundersökningen, med förslag på 26 vyer (22 obligatoriska och 4 ytterligare). CNEOF formaliserar dock inte kvalitetskriterier för att utvärdera dessa bilders överensstämmelse; denna uppgift har övertagits av det franska college för fosterultraljud (CFEF), som har upprättat en poängsättnings- och valideringsrutnät för varje fosterskiva (se CFEF 2022-dokument).

Parallellt etablerar artificiell intelligens (AI) sig gradvis som ett beslutsstöd och automationsverktyg inom medicinsk bildbehandling, särskilt inom ultraljud. Djupinlärningsalgoritmer kan identifiera anatomiska strukturer, positionera mätmarkörer och välja den mest optimala skivan, vilket minskar variation mellan operatörer och effektiviserar arbetsflödet. Inom området obstetriskt ultraljud har vissa företag lanserat system som kan upptäcka eller annotera fosterstrukturer i realtid, vilket potentiellt förbättrar diagnostisk tillförlitlighet och reproducerbarhet. Samsung har utvecklat ett system kallat Live View Assist, tillgängligt på sina senaste generationens ultraljudsscanners, som använder AI för att automatiskt känna igen och frysa de nödvändiga fosterskivorna i realtid.

Verktyget erbjuder också automatiserad validering: om den upptäckta skivan överensstämmer med förväntade standarder, markeras den direkt på en checklista. Denna innovation lovar tidsbesparing, minskad risk att missa vissa komplexa skivor och förbättrad standardisering.

Det finns dock lite data, särskilt i Frankrike, angående detta verktygs faktiska prestanda i en rutinscreeningskontext. Innan integration av Live View Assist och AI i daglig praxis övervägs, är det därför väsentligt att utvärdera kvaliteten på de bilder det förvärvar, genomförbarheten av en fullständig AI-assisterad undersökning, samt den potentiella påverkan på undersökningstid och förbättring av arbetsbelastning för ultraljudstekniker.

Syftet med denna studie är att utvärdera om kvaliteten på de 20 obligatoriska bilderna som automatiskt valideras av Live View Assist inte är underlägsen kvaliteten på de 20 obligatoriska bilderna som förvärvats och validerats manuellt av en ultraljudstekniker, enligt CFEF:s kvalitetskriterier baserade på silhuetterna som rekommenderas av CNEOF.