Un modèle d’IA généralisable et précis, testé dans des contextes variés

Une étude publiée dans JAMA Network Open évalue un modèle d’intelligence artificielle développé par Google Research et Google for Health, conçu pour estimer l’âge gestationnel à partir d’échographies réalisées par des opérateurs non spécialisés. Le système, basé sur une technique appelée « blind sweep ultrasonography » (échographie par balayage aveugle), a été formé sur des données issues des États-Unis (North Carolina) et de Zambie, puis affiné avec des participants de Chicago (États-Unis) et testé prospectivement dans cette même ville ainsi qu’à Nairobi (Kenya). Aucune donnée de Nairobi n’a été utilisée pour l’ajustement du modèle, confirmant sa robustesse dans des environnements cliniques différents.

Les résultats montrent que l’erreur moyenne absolue du système (4,18 jours) est comparable à celle des échographistes experts (4,48 jours), selon les données rapportées par Google Research. Cette performance a été validée même dans des cas complexes, comme les grossesses multiples, et le modèle s’adapte facilement à de nouveaux matériels, comme le probe Clarius C3, avec un minimum de réglages.

L’âge gestationnel sert de référence pour tous les dépistages, traitements et décisions sur les dates d’accouchement, une précision qui pourrait transformer le suivi prénatal dans les zones sous-équipées.

Une solution pour combler un déficit d’accès aux ultrasons prénatals

Deux tiers de la population mondiale n’ont pas accès à des ultrasons prénataux en raison de contraintes logistiques, financières ou humaines, souligne Google Research. Le modèle d’IA proposé vise précisément à réduire cette inégalité en permettant à des opérateurs non formés d’obtenir des estimations fiables de l’âge gestationnel, un paramètre crucial pour le suivi médical. Nichole Young-Lin, médecin obstétricien cité dans l’étude, rappelle que « l’âge gestationnel sert de référence pour tous les dépistages, traitements et décisions sur les dates d’accouchement ». Une précision accrue dans ces évaluations pourrait donc améliorer la prise en charge des patientes, notamment dans les zones où les ressources sont limitées.

Ce que cela change ici : des applications potentielles pour le Bénin et l’Afrique de l’Ouest

Au Bénin comme dans une grande partie de l’Afrique de l’Ouest, les systèmes de santé font face à des défis similaires : pénurie de personnel médical spécialisé, inégalités d’accès aux équipements médicaux avancés et disparités régionales dans la qualité des soins prénatals. Un modèle comme celui développé par Google Research pourrait être adapté pour réduire ces écarts en permettant aux cliniques et hôpitaux, même ceux situés en zone rurale, d’utiliser des échographies simplifiées avec assistance IA. Cela pourrait également alléger la charge des professionnels de santé en automatisant une partie des diagnostics de routine, tout en améliorant la fiabilité des données collectées pour les programmes de santé publique.

Cependant, son déploiement dépendrait de plusieurs facteurs : l’acceptation par les autorités sanitaires locales, la disponibilité de matériel compatible, et la formation des utilisateurs finaux. Une collaboration avec des acteurs comme l’Organisation mondiale de la Santé (OMS), qui a soutenu l’étude, pourrait faciliter son intégration dans les politiques de santé régionales.

Une technologie conçue pour évoluer avec les contraintes locales

L’un des atouts majeurs de ce modèle réside dans sa capacité à s’adapter à différents types de matériel d’échographie, comme le démontrent les tests réalisés avec des probes de marques variées (Sonosite, GE, Butterfly Networks, Clarius C3). Cette flexibilité pourrait être un avantage pour les pays où les équipements médicaux sont souvent hétéroclites ou obsolètes. De plus, la méthode « blind sweep » ne nécessite pas de compétences techniques poussées pour réaliser les examens, ce qui pourrait accélérer son adoption dans des contextes où les ressources humaines sont rares.

Google Research souligne par ailleurs que le modèle a été conçu pour être déployé dans des environnements à ressources limitées, un critère essentiel pour son adoption en Afrique subsaharienne. Les prochaines étapes pourraient inclure des tests supplémentaires dans d’autres régions du continent, en collaboration avec des partenaires locaux, pour affiner son efficacité et son utilité opérationnelle.