L’IA repère les risques de grossesse avant 14 semaines

Une étude d’apprentissage automatique utilisant des données issues de plus d’un demi-million de grossesses en Suède, au Chili et à Singapour a montré que les modèles s’appuyant sur les informations recueillies durant les 14 premières semaines étaient généralement plus performants que les évaluations précoces des risques utilisées dans ces pays.

En Suède et au Chili, les modèles les plus performants distinguaient nettement mieux les grossesses à risque élevé de celles à risque faible. Singapour a enregistré une amélioration plus modeste, mais qui restait statistiquement significative. Les modèles ne reposaient pas uniquement sur les antécédents médicaux : les facteurs sociaux et démographiques comptaient parmi les prédicteurs les plus importants dans certaines populations, mettant en évidence des influences que les évaluations traditionnelles pourraient négliger.

Les résultats montrent aussi la limite entre une analyse prometteuse et un outil clinique fiable. Les modèles suédois et singapourien présentaient une concordance raisonnable entre les risques prédits et observés, tandis que le modèle chilien était moins bien étalonné. Cette variation signifie qu’un modèle conçu pour une population ne s’adaptera pas forcément correctement à une autre, et que chaque cas d’usage nécessitera des tests rigoureux.

Qu’est-ce qui change en pratique ? Si ces outils sont validés, ils pourraient aider les cliniciens à repérer les grossesses nécessitant un suivi renforcé ou une intervention plus précoce, alors qu’il est encore temps d’agir. L’algorithme trierait les signaux et aiderait à prendre les décisions ; les professionnels de santé resteraient responsables des soins.

Cette étude, menée par Sarah Li et ses collègues et rapportée par Medical Xpress à partir d’un preprint du Journal of Medical Internet Research, ouvre la voie à une évaluation prénatale des risques combinant des informations médicales, sociales, démographiques et comportementales. Son prochain défi ne consiste pas simplement à améliorer ses performances prédictives, mais à garantir un étalonnage fiable pour les personnes et les systèmes de santé où l’outil serait utilisé.