L’analyse d’IA découvre les risques de grossesse cachés, offrant des informations aux soins prénatals personnalisés.
Une nouvelle étude examinant près de 10 000 grossesses a découvert des facteurs de risque inconnus auparavant qui peuvent contribuer à des complications graves, y compris la mortinaissance. Des chercheurs de l’Université de l’Utah ont utilisé l’intelligence artificielle pour analyser les données de grossesse approfondies, révélant des modèles qui n’avaient jamais été détectés auparavant. Ces résultats mettent en évidence les différences dans la façon dont les facteurs de risque se combinent, conduisant parfois à une variation dix fois du risque de nourrissons qui sont autrement traités de la même manière selon les directives standard.
L’étude a examiné un large éventail de données, y compris les détails sociaux et médicaux tels que les systèmes de soutien, la pression artérielle, les antécédents médicaux, la croissance fœtale et les résultats de la grossesse. Grâce à l’analyse dirigée par l’IA, les chercheurs ont identifié des combinaisons de facteurs maternels et fœtaux qui augmentent la probabilité de résultats négatifs. Une découverte surprenante était que les fœtus féminines, généralement considérées comme un risque plus faible que les hommes, faisaient face à un danger plus élevé si la personne enceinte souffrait de diabète préexistant. Ce modèle était passé inaperçu dans les recherches antérieures.
Les médecins comptent souvent sur l’expérience pour évaluer les risques, mais même les professionnels les plus qualifiés peuvent ne pas reconnaître toutes les combinaisons possibles de facteurs de risque. Le modèle d’IA, cependant, a pu détecter des modèles subtils que le jugement humain seul pourrait manquer. Un domaine d’intérêt était sur les fœtus dans la gamme de poids inférieure, en particulier, ceux dans les dix pour cent inférieurs mais pas les trois pour cent les plus bas absolus. Ces bébés tombent souvent dans une zone grise où les médecins doivent décider de recommander une surveillance intensive ou permettre à la grossesse de se dérouler comme d’habitude. Les directives actuelles nécessitent une surveillance étroite de tous les cas, mais l’étude a révélé que les risques dans cette catégorie varient considérablement. Certaines grossesses ne posaient pas de danger plus élevé que la moyenne, tandis que d’autres avaient une probabilité beaucoup plus élevée de complications. Des facteurs tels que le sexe fœtal, le diabète et les problèmes structurels comme les malformations cardiaques ont joué un rôle dans la détermination du risque.
Bien que l’étude ne prouve pas la cause et l’effet, elle fournit des informations précieuses sur la façon dont les facteurs de risque interagissent. Les médecins expérimentés ont souvent un sentiment intuitif que certaines grossesses dans cette catégorie sont plus sûres que d’autres, mais l’IA peut offrir un moyen plus objectif et mesurable d’évaluer les risques. En incorporant une grande quantité de données, les modèles basés sur l’IA peuvent aider à guider les décisions médicales d’une manière plus cohérente et moins influencée par le jugement individuel.
L’équipe de recherche a utilisé un modèle «IA explicable», qui diffère des systèmes d’IA noire traditionnels qui produisent des conclusions sans révéler comment elles ont été atteintes. Au lieu de cela, ce système permet aux médecins de voir quels facteurs ont contribué à l’évaluation finale des risques, ce qui facilite la compréhension et la confiance des résultats. Cette transparence est particulièrement importante en médecine, où chaque décision a des conséquences importantes. En montrant son raisonnement, le modèle AI fournit un niveau de responsabilité et permet les ajustements si des biais ou des erreurs sont identifiés.
L’évaluation des risques de grossesse est complexe, impliquant d’innombrables variables qui interagissent de manière imprévisible. Bien que les médecins expérimentés soient qualifiés pour peser plusieurs facteurs à la fois, même les meilleurs cliniciens peuvent avoir du mal à expliquer exactement comment ils arrivent à leurs décisions. Des facteurs tels que la fatigue, les biais personnels et l’expérience limitée avec des cas rares peuvent également affecter le jugement. L’IA ne remplace pas les médecins mais agit comme un outil pour compléter leur expertise, offrant un deuxième avis basé sur des modèles détectés dans des milliers de cas.
Les chercheurs pensent que leur modèle est particulièrement utile pour évaluer les scénarios de grossesse rares, où des données limitées rendent difficile la prévision des résultats en toute confiance. En analysant de grands ensembles de données, le système d’IA peut reconnaître les risques qui pourraient ne pas être apparents dans des études plus petites ou des expériences cliniques individuelles. L’étape suivante consiste à tester le modèle sur de nouvelles populations pour s’assurer qu’elle fonctionne bien dans les paramètres du monde réel. En cas de succès, ce type d’évaluation des risques dirigée par l’IA pourrait aider à personnaliser les soins de grossesse, en fournissant aux futurs parents des informations plus précises sur leur situation individuelle.
Le Dr Nathan Blue, chercheur principal sur le projet, espère qu’une IA explicable contribuera à rendre les évaluations des risques plus fiables et adaptées à chaque grossesse. Au lieu d’appliquer les mêmes directives à chaque patient, cette approche permet une évaluation plus personnalisée, garantissant que les soins sont à la fois efficaces et équitables. En améliorant la façon dont les risques sont identifiés et compris, cette technologie a le potentiel de remodeler les soins prénataux, offrant aux médecins et aux patients de meilleurs outils pour naviguer dans les défis de la grossesse.
Sources:
Le modèle basé sur l’IA détecte les combinaisons de risques invisibles pendant les grossesses
L’analyse basée sur l’IA de la restriction de la croissance fœtale dans une cohorte obstétricale prospective quantifie les risques composés pour la morbidité et la mortalité périnatales et identifie les scénarios cliniques à haut risque précédemment non reconnus
