विश्व स्वास्थ्य संगठन के अनुमान के अनुसार गर्भावस्था से जुड़ी जटिलताओं के कारण दुनिया भर में हर साल 2,50,000 से अधिक रोकथाम योग्य मौतें होती हैं। प्रसव-पूर्व अल्ट्रासाउंड परिणामों को बेहतर बना सकता है और भ्रूण तथा मातृ मृत्यु दर को कम कर सकता है, फिर भी दुनिया भर में दो-तिहाई लोगों की अल्ट्रासाउंड जैसी डायग्नोस्टिक इमेजिंग तक पहुंच नहीं है। वर्तमान तरीके मुख्य रूप से विशेष क्लिनिकल प्रशिक्षण पर निर्भर हैं, जिसके कारण कम संसाधन वाले क्षेत्रों में लाखों लोगों को अपनी गर्भावस्था के दौरान एक भी अल्ट्रासाउंड नहीं मिलता।
इस अंतर को दूर करने के लिए, शोधकर्ताओं ने मशीन लर्निंग प्रणालियां विकसित कीं जो "ब्लाइंड स्वीप" अल्ट्रासाउंड की व्याख्या करती हैं। इस स्कैनिंग विधि से सोनोग्राफी प्रशिक्षण के बिना फ्रंटलाइन स्वास्थ्यकर्मी पेट पर मानकीकृत पैटर्न में कम लागत वाले, पोर्टेबल प्रोब घुमाकर स्कैन कर सकते हैं। चूंकि कई क्षेत्रों में विशेषज्ञों की गंभीर कमी है और पारंपरिक सोनोग्राफर प्रशिक्षण महंगा तथा वर्षों लंबा है, इसलिए न्यूनतम प्रशिक्षण और AI व्याख्या का संयोजन प्रसव-पूर्व स्क्रीनिंग कवरेज को काफी हद तक बढ़ा सकता है।
JAMA Network Open में प्रकाशित एक अध्ययन में शोधकर्ताओं ने मूल्यांकन किया कि गर्भकालीन आयु आंकने के लिए बनाया गया AI मॉडल विभिन्न क्लिनिकल सेटिंग्स और हार्डवेयर में कितनी अच्छी तरह सामान्यीकृत होता है। गर्भकालीन आयु, यानी गर्भावस्था कितनी आगे बढ़ी है, प्रसव-पूर्व देखभाल का आधार है, जिसमें स्क्रीनिंग, उपचार और प्रसव संबंधी निर्णय शामिल हैं। पहले के शोध में इस मॉडल को उन्हीं मरीज़ों पर सत्यापित किया गया था जिस समूह से इसने सीखा था, लेकिन उन अनदेखे मरीज़ों पर भी। इस संभावित अध्ययन ने परखा कि क्या यह प्रणाली वास्तविक क्लिनिकों में मोबाइल उपकरणों पर लाइव चलते हुए, नए ऑपरेटरों और अपरिचित उपकरणों के साथ भी विश्वसनीय रहती है।
यह मॉडल शिकागो के Northwestern Medicine में, जो एक शहरी, उच्च-संसाधन वाला शैक्षणिक केंद्र है, और नairobi, केन्या के Jacaranda Health में, जो शहरी सामुदायिक क्लिनिक नेटवर्क है, परखा गया। दोनों स्थलों में इस बात में अंतर था कि महिलाएं प्रसव-पूर्व देखभाल कब शुरू करती हैं, उन्हें कितनी नियमित अल्ट्रासाउंड मिलते हैं, और गर्भकालीन आयु की गणना कैसे की जाती है। नए प्रोब हार्डवेयर के अनुरूप मॉडल को ढालने के लिए शिकागो के 120 प्रतिभागियों के एक छोटे पायलट डेटासेट, यानी मूल प्रशिक्षण सेट के लगभग 6%, से फाइन-ट्यूनिंग की गई। नairobi का कोई डेटा उपयोग नहीं हुआ, जिससे केन्या का सत्यापन सामान्यीकरण का सख्ती से स्वतंत्र परीक्षण बना रहा।
स्रोत: Google AI Blog · HeadlinesBriefing द्वारा सारांशित