Protocol for a prospective accuracy study on an artificial intelligence-based ultrasound system for gestational age estimation among pregnant women in Ghana, Kenya and South Africa

该研究方案旨在通过在加纳、肯尼亚和南非的多中心前瞻性队列研究，验证基于人工智能的手持超声系统在妊娠早期和中期估算孕周的准确性，以为“预防子痫前期：评估阿司匹林低剂量方案”（PEARLS）试验的设计及非洲地区超声孕周评估的推广提供关键证据。

要点

这篇论文其实是在讲一个**“给怀孕妈妈做‘智能孕周计算器’大考”**的故事。

想象一下，在非洲的加纳、肯尼亚和南非，很多准妈妈去医院产检时，医生很难准确知道宝宝到底怀了多久（孕周）。这就像你买了一个新手机，但不知道它出厂是哪天，你就没法算出它用了多久，也没法判断它是不是该升级系统了。

为什么“知道孕周”这么重要？
这就好比种庄稼。如果你不知道种子是什么时候种下的，你就不知道什么时候该浇水、施肥，或者什么时候该收割。
在医学上，如果不知道准确的孕周，医生就无法判断孕妇是否有患“子痫前期”（一种危险的妊娠高血压）的风险，也就没法及时给她们开一种叫“阿司匹林”的小药片来预防。这种药片如果吃早了或吃晚了，效果可能大打折扣，甚至没用。

现在的难题是什么？
以前，要算出准确的孕周，需要一位超级专家（像老练的摄影师）拿着昂贵的超声波机器，在肚子里仔细寻找胎儿的特定部位（比如头、肚子、腿），然后像做数学题一样测量尺寸。
但在很多发展中国家，这种“超级专家”太少了，机器也太贵、太笨重，普通小诊所根本用不起。这就导致很多妈妈错过了最佳检查时间。

这次研究想做什么？
研究团队想测试一种**“人工智能（AI）黑科技”**，看看它能不能替代那位“超级专家”。

• 主角： 一个像手机一样小的手持超声波探头，连着一个平板电脑。
• AI 的能力： 这个系统里住着一个“超级大脑”（AI 算法），它看过几百万张以前的高质量胎儿照片，学会了怎么“看”图。
• 操作方式： 以前需要专家花几分钟仔细找角度，现在只需要一位普通的助产士（像刚入行的新手），拿着探头在妈妈肚子上像“扫地”一样随便扫几下（盲扫）。
• 结果： 几秒钟后，AI 就会直接告诉医生：“宝宝现在大概 13 周 2 天！”

他们是怎么测试的？
这就好比一场**“双盲考试”**：

1. 考场： 在三个国家的 13 家医院。
2. 考生： 969 位怀孕 11 到 13 周的准妈妈。
3. 考试过程：
   • 第一关（标准答案）： 先由真正的超声波专家，用传统方法仔细测量，算出“标准孕周”。
   • 第二关（AI 挑战）： 紧接着，由一位普通助产士用那个手持 AI 设备，在妈妈肚子上扫几下，让 AI 算出“AI 孕周”。
   • 关键点： 做这两件事的人互不知道对方的结果，就像两个独立的裁判，确保公平。
4. 加试： 等妈妈怀孕到 14 到 27 周时，还要再来一次同样的测试，看看 AI 在宝宝大一点的时候准不准。

为什么要这么做？
如果这次考试证明，“新手 + 手持 AI" 算出来的孕周，和 “专家 + 传统机器” 算出来的几乎一样准，那意义就太大了！

• 比喻： 这就像以前只有米其林三星大厨（专家）才能做出一道完美的菜，现在只要给普通人（助产士）一个智能料理机（AI 设备），他们也能做出同样好吃的菜。
• 未来影响： 这意味着，以后在非洲偏远的村子里，普通的助产士也能用便宜、便携的设备，快速准确地给所有准妈妈算孕周。这样，她们就能及时吃到预防高血压的药，生下的宝宝也会更健康。

总结来说：
这篇论文就是一个**“技术验证计划”**。它不直接治病，而是先证明这个“智能扫肚子”的新工具好不好用。如果证明好用，未来就能让数百万非洲妈妈享受到更公平、更精准的产前护理，把那些因为“不知道怀孕多久”而导致的危险，提前挡在门外。

技术摘要

这是一份关于在加纳、肯尼亚和南非进行的一项前瞻性准确性研究方案的详细技术总结。该研究旨在验证一种基于人工智能（AI）的手持式超声系统，用于评估孕妇的孕周。

以下是该研究方案的详细技术总结：

1. 研究背景与问题 (Problem)

• 临床痛点： 子痫前期（Pre-eclampsia）是全球孕产妇死亡和发病的主要原因之一。世界卫生组织（WHO）推荐对高风险孕妇在孕 20 周前使用低剂量阿司匹林进行预防。然而，准确评估孕周（Gestational Age, GA）是进行风险分层和确定用药时机的关键。
• 资源限制： 在撒哈拉以南非洲等中低收入国家（LMICs），常规超声检查（尤其是由专家操作的）难以普及。缺乏准确的孕周估算阻碍了子痫前期筛查（如 Fetal Medicine Foundation, FMF 工具）的实施。
• 技术缺口： 虽然已有基于 AI 的超声算法（如 Intelligent Ultrasound 的 ScanNav FetalCheck 系统），但其训练数据主要来自澳大利亚、印度和英国。该系统尚未在非洲人群或真实的临床环境中进行前瞻性验证，其准确性是否等同于传统的专家操作超声尚不清楚。

2. 研究目标 (Aims & Objectives)

• 主要目标： 评估 IU ScanNav FetalCheck 系统（AI 系统）与常规超声（金标准）在加纳、肯尼亚和南非孕妇中估算孕周的准确性和精确度。
• 具体目标：
  1. 孕早期（11+0 至 13+6 周）： 比较 AI 系统与常规超声（通过头臀长 CRL 测量）的孕周估算准确性。
  2. 孕中期（14+0 至 27+6 周）： 比较 AI 系统与基于孕早期 CRL 推算的孕周（Extrapolated CRL）的准确性。
  3. 孕中期内部比较： 比较 AI 系统与孕中期常规超声生物测量（BPD, HC, AC, FL）的准确性。
  4. 分类准确性： 评估 AI 系统在孕中期识别“孕周<20 周”的能力，并与常规超声生物测量结果进行对比。

3. 研究方法 (Methodology)

• 研究设计： 多中心、前瞻性队列研究。
• 研究地点： 加纳、肯尼亚和南非的 13 家医疗机构（包括三级医院、地区医院和初级卫生中心）。
• 样本量： 计划招募 969 名孕妇（每个国家约 323 人，考虑 10% 的失访率）。
• 纳入标准： 孕 11+0 至 13+6 周就诊的孕妇（单胎或多胎，无已知重大胎儿畸形）。
• 数据收集流程（两次访视）：
  • 访视 1（孕早期）：
    1. 金标准测量： 由经过认证的专家超声医师使用 GE VScan Air 设备进行常规超声扫描，测量头臀长（CRL），并计算孕周。
    2. AI 测量： 由经过培训的研究助产士使用同一设备（GE VScan Air）配合 AI 软件（ScanNav FetalCheck）进行 6 次腹部盲扫（Blind sweeps）。软件自动输出孕周估算值。
    3. 盲法设计： 超声医师和助产士对彼此的测量结果互不知晓，以减少偏倚。
  • 访视 2（孕中期，14+0 至 27+6 周）：
    • 随机选择访问时间。
    • 重复上述流程：专家进行常规生物测量（BPD, HC, AC, FL），助产士进行 AI 扫描。
• 质量控制：
  • 人员培训： 所有超声医师需通过 INTERGROWTH-21st 标准的质量评估认证（图像质量评分需达到 80% 以上）。
  • 图像审核： 研究初期对所有图像进行 100% 审核，后续随机抽取 20% 审核。不合格图像将被排除。
  • 设备： 使用 GE VScan Air 手持式超声设备，运行 Intelligent Ultrasound 的 FetalCheck 算法（v3.0）。
• 统计分析：
  • 使用 Bland-Altman 图分析两种方法间的一致性（平均差异和 95% 一致性界限）。
  • 使用简化主轴回归（RMAR）评估固定偏倚和比例偏倚。
  • 计算诊断性能指标（检测率和假阳性率）。

4. 关键贡献与创新点 (Key Contributions)

• 填补地域空白： 这是首次在撒哈拉以南非洲地区对 AI 驱动的孕周估算系统进行大规模前瞻性验证，解决了现有算法在非洲人群数据上缺乏验证的问题。
• 任务转移（Task Shifting）潜力： 验证了由非专家（如助产士）经过短期培训后，使用手持式设备结合 AI 算法进行孕周估算的可行性。这有望解决 LMICs 缺乏专业超声医师的瓶颈。
• 为 PEARLS 试验奠定基础： 该研究是 PEARLS 试验（评估阿司匹林不同剂量预防子痫前期）的关键前期工作。准确的孕周估算是实施子痫前期风险筛查和确定阿司匹林给药时机的先决条件。
• 实时性与可及性： 证明了 AI 系统能即时生成结果，无需专家解读图像，且设备便携，适合在资源匮乏的基层医疗机构使用。

5. 预期结果 (Expected Results)

• 注：由于这是一份研究方案（Protocol），目前尚未报告最终结果。
• 研究旨在证明 AI 系统的孕周估算结果与常规超声（金标准）相比，具有等效的准确性（即误差在可接受范围内，如平均绝对误差 < 10 天或符合特定一致性界限）。
• 如果结果证实 AI 系统具有足够的准确性，将支持其在非洲及其他 LMICs 的大规模推广，用于常规产前检查和子痫前期风险筛查。

6. 研究意义 (Significance)

• 公共卫生影响： 如果验证成功，该技术将显著提高非洲地区孕周估算的覆盖率，使更多孕妇能够接受基于孕周的风险筛查（如子痫前期预防）和适当的产前护理。
• 政策制定依据： 研究结果将为 WHO 关于在资源有限地区推广超声检查的建议提供实证支持，并可能改变子痫前期预防策略的实施方式。
• 技术验证： 为 AI 医疗影像在真实世界、多样化人群中的部署提供了重要的方法论范例，证明了 AI 可以辅助甚至替代部分专家级操作，从而提升全球孕产妇健康公平性。

总结： 该论文详细阐述了一项严谨的验证研究方案，旨在通过对比 AI 辅助的手持超声与传统专家超声，确立 AI 系统在非洲孕产妇保健中估算孕周的可靠性。其成功实施将直接推动子痫前期预防策略的落地，并可能彻底改变中低收入国家的产前超声服务模式。