A Organização Mundial da Saúde estima que mais de 250.000 mortes evitáveis ocorrem no mundo todos os anos devido a complicações relacionadas à gravidez. A ultrassonografia pré-natal pode melhorar os resultados e reduzir a mortalidade fetal e materna, mas dois terços das pessoas no mundo não têm acesso a exames de imagem diagnósticos como a ultrassonografia. Os métodos atuais dependem fortemente de treinamento clínico especializado, deixando milhões em locais de poucos recursos sem nenhuma ultrassonografia durante a gravidez.
Para preencher essa lacuna, pesquisadores desenvolveram sistemas de aprendizado de máquina que interpretam ultrassons de "varredura cega". Esse método de exame permite que profissionais de saúde da linha de frente, sem treinamento em sonografia, realizem os exames deslizando sondas portáteis de baixo custo sobre o abdômen em um padrão padronizado. Como muitas regiões enfrentam uma escassez crítica de especialistas e o treinamento tradicional de sonografistas é caro e leva anos, um treinamento mínimo combinado à interpretação por IA poderia ampliar significativamente a cobertura da triagem pré-natal.
Em um estudo publicado no JAMA Network Open, os pesquisadores avaliaram o quanto um modelo de IA para a estimativa da idade gestacional se generaliza em diferentes contextos clínicos e equipamentos. A idade gestacional, ou seja, o quanto a gravidez já avançou, fundamenta grande parte do cuidado pré-natal, incluindo decisões de triagem, tratamento e parto. Pesquisas anteriores validaram o modelo em pacientes inéditas da mesma coorte em que ele aprendeu. Este estudo prospectivo testou se o sistema funciona de forma confiável ao rodar ao vivo em dispositivos móveis, em clínicas reais, com operadores inexperientes e equipamentos desconhecidos.
O modelo foi testado no Northwestern Medicine, em Chicago, um centro acadêmico urbano de altos recursos, e no Jacaranda Health, em Nairóbi, no Quênia, uma rede de clínicas comunitárias urbanas. Os locais diferiam quanto ao momento em que as mulheres iniciam o pré-natal, quantas ultrassonografias de rotina recebem e como a idade gestacional é datada. O ajuste fino usou um pequeno conjunto de dados piloto com 120 participantes de Chicago, cerca de 6% do conjunto original de treinamento, para adaptar o modelo ao novo hardware de sonda. Nenhum dado de Nairóbi foi usado, o que manteve a validação queniana como um teste estritamente independente de generalização.
Fonte: Google AI Blog · Resumido por HeadlinesBriefing