Echipa de cercetători a dezvoltat trei modele AI – unul care utilizează imagini standard, unul care utilizează videoclipuri și un model care folosește atât imagini cât și videoclipuri. În comparație cu estimările standard ale vârstei gestaționale (GA) bazate pe biometria fetală ale ecografiștilor experți, toate cele trei modele au avut rezultate statistice mai bune.

Autorii corespondenți ai studiului, Chace Lee, și Ryan Gomes, ambii de la Google Health, au precizat că modelele nu necesită măsurători manuale de la un ecograf pentru a estima GA. În schimb, ei pot folosi imaginea sau videoclipul. Acest lucru este important deoarece estimările vârstei depind în mare măsură de abilitățile operatorului și pot deveni mai puțin precise pe măsură ce sarcina progresează.

„Am descoperit că în al treilea trimestru, precizia modelului nostru în raport cu biometria fetală standard a crescut. Acest lucru este deosebit de important deoarece estimarea precisă a GA în al treilea trimestru este esențială pentru gestionarea complicațiilor și luarea deciziilor clinice adecvate cu privire la momentul nașterii”, au declarat experții, potrivit HealthImaging.com.

Modelele au fost dezvoltate și instruite folosind imagini din Statele Unite și Zambia care au fost incluse în cohorta Fetal Age Machine Learning Initiative (FAMLI). Deși toate au înregistrat o precizie impresionantă, modelul de ansamblu a înregistrat cea mai mică eroare medie absolută în comparație cu biometria fetală standard clinică.

Toate cele trei modele au depășit biometria standard atunci când s-a prezis că fetușii sunt mici pentru vârsta lor gestațională – ceva ce experții descriu ca fiind o provocare importantă de depășit în estimarea GA.

„O identificare mai precisă a fetușilor va ajuta la ghidarea deciziilor critice de îngrijire clinică, cum ar fi administrarea medicamentelor, intervalele de supraveghere prenatală și timpul de naștere și nevoile de îngrijire”, au scris autorii.

Datorită modului în care au fost construite modelele AI- pe examenele de rutină – autorii sugerează că ar putea fi încorporate fără probleme în fluxurile de lucru clinice. În viitor, autorii propun ca cercetarea să evalueze modul în care astfel de modele ar putea fi utilizate pentru a reduce timpii de scanare prin asistarea ecografiștilor.