Dans un cas fictif, une femme de 24 ans arrive pour la première fois dans un poste de santé rural, dans une région sans échographiste. Elle pense être enceinte "depuis environ cinq ou six mois", mais ne se souvient pas de la date de ses dernières règles. La hauteur utérine suggère quelque chose entre 22 et 26 semaines. La sage-femme du poste a reçu une journée de formation avec une sonde portable reliée à une tablette : elle fait glisser la sonde sur l'abdomen en lignes droites, sans chercher aucune structure, et un programme d'intelligence artificielle renvoie une estimation de l'âge gestationnel.

La scène décrit ce que certaines études ont déjà testé. L'Organisation mondiale de la Santé (OMS) recommande une échographie avant 24 semaines de grossesse pour estimer l'âge gestationnel, améliorer la détection des anomalies fœtales et des grossesses multiples et réduire les déclenchements pour grossesse prolongée (OMS, soins prénatals, 2016). Là où manquent des personnes capables de réaliser et d'interpréter l'examen, cette recommandation est difficile à respecter.

Ce texte prend l'OMS comme fil conducteur et rassemble les principales études sur les balayages à l'aveugle lus par l'IA pour répondre à deux questions : à quel point cette estimation s'approche de l'échographie conventionnelle, et dans quelles situations elle ne mérite pas encore la confiance.

Points principaux

• Dans l'étude de Pokaprakarn et collaborateurs, le modèle d'IA a estimé l'âge gestationnel avec une erreur absolue moyenne de 3,9 jours, contre 4,7 jours pour la biométrie réalisée par des échographistes (Pokaprakarn et al., 2022).
• Dans une étude prospective menée auprès d'utilisatrices sans expérience préalable, l'outil intégré à la sonde était équivalent à l'échographie standard entre 14 et 27 semaines, avec 3,2 jours d'erreur moyenne contre 3,0 jours (Stringer et al., 2024).
• Près du terme, entre 37 et 40 semaines, l'erreur de l'IA était plus grande que celle de l'échographie standard, et les auteurs ne recommandent pas l'outil à ce stade (Stringer et al., 2024).
• À Chicago et à Nairobi, avec un autre modèle de sonde et des opérateurs novices, le système a maintenu une erreur moyenne de 4,2 jours, sans être inférieur au standard clinique (Willis et al., 2026).
• Des professionnels de pays africains interrogés sur le sujet ont montré de l'intérêt pour la datation automatique, mais aussi des inquiétudes sur la précision de l'algorithme et sur la dépendance excessive à la machine (Della Ripa et al., 2025).

• Pourquoi l'âge gestationnel compte
• Comment on estime l'âge gestationnel sans échographie
• Ce qu'est le balayage à l'aveugle
• Ce qu'ont montré les études de base
• Performance hors des sites d'origine
• Là où l'outil échoue encore
• Mise en œuvre : qui opère et ce qui change dans le service
• Comment NEXO aide à entraîner ce raisonnement
• Questions fréquentes
• Take-home messages

Pourquoi l'âge gestationnel compte

Presque toutes les décisions des soins prénatals dépendent de savoir depuis combien de temps la femme est enceinte. L'âge gestationnel détermine si un accouchement est prématuré, quand proposer des interventions qui ont une fenêtre précise et quand une grossesse a dépassé le terme. L'OMS définit comme prématurée la naissance avant 37 semaines révolues et estime à 13,4 millions les naissances prématurées en 2020, plus d'une sur dix (OMS, Preterm birth).

Le poids de ce chiffre est inégal. La même note descriptive indique que les complications de la prématurité sont la principale cause de décès des enfants de moins de cinq ans et qu'environ 900 000 enfants sont morts de cette cause en 2019 (OMS, Preterm birth). Dans les pays à faible revenu, plus de 90 pour cent des bébés extrêmement prématurés meurent dans les premiers jours de vie, contre moins de 10 pour cent dans les pays à revenu élevé (OMS, Preterm birth).

Pour agir face à un travail d'accouchement prématuré, l'équipe doit savoir s'il est réellement prématuré. L'OMS cite parmi les soins possibles les corticoïdes anténatals dans certaines situations, et mentionne l'échographie avant 24 semaines, prévue dans les recommandations prénatales, comme moyen d'aider à déterminer l'âge gestationnel et à détecter une grossesse multiple (OMS, Preterm birth). Sans une date fiable, ces décisions reposent sur des estimations fragiles.

La chaleur extrême est un exemple d'exposition où l'âge gestationnel entre dans le raisonnement : le risque d'accouchement prématuré associé à la chaleur ne peut être mesuré et suivi que lorsqu'on sait à quelle semaine la grossesse en est.

Ce que l'OMS recommande dans les soins prénatals

Les recommandations de 2016 ont fait passer de quatre à huit le nombre de contacts prénatals et ont inclus une échographie avant 24 semaines (OMS, soins prénatals, 2016). Le texte de l'OMS prévoit aussi que des sages-femmes et d'autres professionnels formés assurent ces soins, y compris lors d'actions communautaires, et cite la redistribution des tâches entre professionnels comme stratégie (OMS, soins prénatals, 2016).

Stringer et ses collaborateurs décrivent cette recommandation d'échographie avant 24 semaines comme, en grande partie, une aspiration dans les pays à revenu faible et intermédiaire (Stringer et al., 2024). La revue systématique de Schott et ses collaborateurs affirme que près de la moitié des femmes enceintes de ces pays ne font aucune échographie pendant la grossesse (Schott et al., 2026).

Comment on estime l'âge gestationnel sans échographie

Quand il n'y a pas d'échographie, il reste la date des dernières règles et la hauteur utérine. Les deux se trompent souvent. Dans l'étude de Stringer, parmi les participantes qui se souvenaient de la date des dernières règles, l'erreur moyenne de cette estimation était de 7,4 jours, et celle de la hauteur utérine de 7,1 jours, contre environ 3,2 jours pour l'outil d'IA (Stringer et al., 2024). Vingt-trois femmes de cette étude ne se souvenaient pas de la date.

Le problème s'aggrave parce que la première consultation a souvent lieu tard. À Lusaka, en Zambie, l'âge gestationnel médian à la première consultation prénatale était de 23 semaines, et plus de 100 000 grossesses par an étaient suivies avec une datation peu précise (Pokaprakarn et al., 2022). Stringer et ses collaborateurs, avec des données de Zambie, rapportent que 85 pour cent des premières consultations ont lieu avant 27 semaines et 97 pour cent avant 36 semaines (Stringer et al., 2024).

Pourquoi la précision baisse à mesure que la grossesse avance

L'échographie conventionnelle perd aussi de la précision avec le temps. Au premier trimestre, la longueur cranio-caudale prédit l'âge gestationnel avec une précision de 3 à 7 jours ; après 14 semaines, cette mesure n'est plus utilisée et la biométrie combine d'autres mesures fœtales (Benson et al., 2025). Benson et ses collaborateurs résument la littérature : la précision de la biométrie est de plus ou moins 7 à 10 jours jusqu'à 24 semaines, de 10 à 14 jours entre 24 et 28 semaines et de 21 à 30 jours au troisième trimestre (Benson et al., 2025).

Qu'est-ce que la balayage à l'aveugle

Dans la balayage à l'aveugle, la personne qui tient la sonde ne cherche pas le fœtus et ne mesure pas de structures. Elle passe le transducteur sur l'abdomen selon un schéma fixe, en lignes verticales et horizontales, et enregistre de courtes vidéos. Dans l'étude de Pokaprakarn, chaque balayage durait environ 10 secondes (Pokaprakarn et al., 2022). Le travail d'interpréter les images revient au modèle d'IA, entraîné avec de grands volumes de vidéo.

L'idée sépare deux compétences que l'échographie conventionnelle réunit : acquérir de bonnes images et les interpréter. Gomes et ses collaborateurs décrivent un protocole de six balayages qui peut être réalisé par des personnes ayant quelques heures de formation et montrent que deux des six balayages ont suffi à maintenir la précision de l'estimation (Gomes et al., 2022).

De la vidéo au chiffre

Le modèle décrit par Pokaprakarn a été entraîné avec 109 806 balayages de 3 509 participantes, soit plus de 21 millions d'images (Pokaprakarn et al., 2022). Au lieu de mesurer la tête, l'abdomen et le fémur, il analyse les vidéos entières. Les auteurs reconnaissent qu'ils ne savent pas quelles caractéristiques de l'image le modèle utilise pour parvenir à l'estimation (Pokaprakarn et al., 2022).

Ce qu'ont montré les études de base

L'étude de Pokaprakarn et ses collaborateurs, publiée en 2022, a utilisé des données de la cohorte FAMLI, avec 4 695 participantes de Caroline du Nord, aux États-Unis, et de Zambie, recrutées entre 2018 et 2021 (Pokaprakarn et al., 2022). Dans l'ensemble principal de test, avec 716 participantes, l'erreur absolue moyenne du modèle était de 3,9 jours, contre 4,7 jours pour la biométrie, une différence de 0,8 jour en faveur du modèle (intervalle de confiance de 95 pour cent, de 0,5 à 1,1 jour) (Pokaprakarn et al., 2022).

La proportion d'estimations avec une erreur de 7 jours au maximum était de 86,0 pour cent avec le modèle et de 77,0 pour cent avec la biométrie (Pokaprakarn et al., 2022). L'avantage est apparu surtout au troisième trimestre, avec 1,3 jour d'écart. Dans les grossesses par fécondation in vitro, où la date de conception est connue, le modèle a eu une erreur de 2,8 jours contre 3,6 pour la biométrie, mais avec seulement 47 participantes, la différence n'était pas statistiquement significative (Pokaprakarn et al., 2022).

Infirmières sans formation en échographie

Le même travail a inclus un ensemble de 249 participantes en Zambie dont les échographies ont été réalisées par huit infirmières obstétriciennes sans formation en échographie, avec une sonde portable simple (Pokaprakarn et al., 2022). Dans ce groupe, l'erreur du modèle était de 4,9 jours, contre 5,4 pour la biométrie, une différence qui n'a pas atteint la significativité. Comparé à la date des dernières règles, en revanche, le modèle s'est trompé en moyenne de 4,9 jours, contre 17,4 jours pour la date menstruelle (Pokaprakarn et al., 2022).

Avec l'outil, 75,1 pour cent des estimations se situaient à 7 jours au maximum de la référence, contre 40,1 pour cent des estimations par les dernières règles (Pokaprakarn et al., 2022).

Le test prospectif avec des utilisatrices novices

L'étude de Stringer et collaborateurs, publiée en 2024, a testé l'outil déjà intégré à une sonde portable et à une tablette, utilisé en temps réel par des personnes sans expérience de l'échographie, qui ont reçu une journée de formation (Stringer et al., 2024). Quatre cents femmes enceintes de Lusaka et de Chapel Hill ont participé, et la référence était la mesure de la longueur cranio-caudale par voie transvaginale au premier trimestre.

Dans la fenêtre principale, de 14 à 27 semaines, l'erreur moyenne était de 3,2 jours avec l'IA et de 3,0 jours avec l'échographie standard, une différence de 0,16 jour dans la marge d'équivalence de deux jours (Stringer et al., 2024). Les estimations à 7 jours au maximum de la référence étaient de 90,7 pour cent avec l'IA et de 92,5 pour cent avec le standard, et il y a eu une seule défaillance de l'outil sur 400 participantes (Stringer et al., 2024). Entre 28 et 36 semaines, l'erreur de l'IA était de 6,1 jours, contre 7,1 pour le standard, également dans l'équivalence.

Comparaison entre les principales études

Étude	Lieu et opérateur	Comparaison	Résultat principal
Pokaprakarn 2022	Caroline du Nord et Zambie ; échographistes	IA contre biométrie	Erreur de 3,9 contre 4,7 jours ; à 7 jours au maximum dans 86,0 contre 77,0 pour cent
Pokaprakarn 2022	Zambie ; infirmières sans formation en échographie	IA contre dernières règles	Erreur de 4,9 contre 17,4 jours ; à 7 jours au maximum dans 75,1 contre 40,1 pour cent
Gomes 2022	États-Unis et Zambie ; échographistes et novices	IA sur téléphone contre biométrie	Différence de 1,4 jour en faveur de l'IA, sans infériorité
Stringer 2024	Zambie et États-Unis ; novices avec une journée de formation	IA en temps réel contre échographie standard	De 14 à 27 semaines, erreur de 3,2 contre 3,0 jours ; à 7 jours au maximum dans 90,7 contre 92,5 pour cent
Willis 2026	Chicago et Nairobi ; novices, autre modèle de sonde	IA adaptée contre standard clinique	Erreur de 4,2 contre 4,5 jours, sans infériorité
Eisenkolb 2026	Londres ; échographistes expérimentés, 11 à 13 semaines	IA contre longueur cranio-caudale	Erreur de 2,1 jours, avec une précision moindre que la mesure standard

Les références et les schémas diffèrent entre les études, et c'est pourquoi le tableau sert à orienter la lecture, et non à additionner les résultats.

Performance hors des sites d'origine

Un modèle qui fonctionne là où il a été entraîné peut échouer dans un autre hôpital, avec une autre population ou un autre appareil. Willis et collaborateurs ont testé exactement cela : le système entraîné avec des données de Caroline du Nord et de Zambie a été évalué à Chicago et à Nairobi, avec des opérateurs novices et une sonde d'un autre fabricant (Willis et al., 2026). L'adaptation a utilisé des données de 120 participantes de Chicago, et aucune donnée de Nairobi.

Parmi 385 participantes de 16 à 36 semaines, l'erreur moyenne était de 4,1 jours à Chicago et de 4,3 jours à Nairobi, et l'ensemble s'est situé à 4,2 jours contre 4,5 jours pour le standard clinique, sans infériorité (Willis et al., 2026). Le taux d'échographies rejetées par le système était de 1,8 pour cent à Nairobi et de 7,9 pour cent à Chicago, et les auteurs émettent l'hypothèse que les quelque six heures de formation pratique à Nairobi ont amélioré la qualité des images (Willis et al., 2026).

Autres modèles et premier trimestre

Il existe d'autres approches que les échographies standardisées. Benson et ses collaborateurs ont entraîné un modèle avec plus de deux millions d'images issues de 78 531 grossesses d'Australie, d'Inde et du Royaume-Uni, capable d'estimer l'âge gestationnel à partir de n'importe quelle image fœtale, dans n'importe quelle orientation, et d'indiquer l'incertitude de chaque estimation (Benson et al., 2025). Lors de la validation indépendante, l'erreur était de 1,7 jour entre 14 et 18 semaines et de 2,8 jours entre 18 et 24 semaines, et la performance s'est maintenue entre les catégories d'indice de masse corporelle.

Au premier trimestre, Eisenkolb et ses collaborateurs ont évalué 285 grossesses uniques dans un hôpital de Londres, avec des échographies non ciblées entre 11 et 13 semaines (Eisenkolb et al., 2026). L'erreur moyenne par rapport à la longueur cranio-caudale était de 2,1 jours, mais l'IA était moins précise que la mesure réalisée par des échographistes expérimentés. Les auteurs eux-mêmes soulignent que l'étude, monocentrique et menée avec des cliniciens certifiés, n'a pas été conçue pour évaluer l'usage par des novices ni dans des pays à revenu faible ou intermédiaire (Eisenkolb et al., 2026).

Ce que disent les revues

La méta-analyse de Naz et ses collaborateurs a inclus 17 études et réuni les données de 10 d'entre elles (Naz et al., 2025). Avec des vidéos d'échographie en aveugle, l'erreur moyenne combinée était de 2,55 jours, mais le calcul n'a réuni que quatre études, avec un intervalle de confiance de moins 0,13 à 5,23 jours et une hétérogénéité de 100 pour cent (Naz et al., 2025). Les auteurs qualifient l'expérience de préliminaire et signalent l'absence d'études au premier trimestre.

La revue systématique de Schott et ses collaborateurs a réuni 14 études et trouvé des erreurs moyennes de 3 à 5 jours au milieu de la grossesse, avec une performance comparable ou supérieure à celle des échographistes (Schott et al., 2026). La même revue relève une moindre précision en fin de grossesse et une validation limitée en début de grossesse et pour la détection d'anomalies, et conclut que l'adoption clinique exige une validation plus large, une meilleure capacité d'interprétation des modèles et une intégration aux systèmes de santé.

Là où l'outil échoue encore

Les limites apparaissent dans les articles eux-mêmes et méritent le même poids que les résultats. Le plus important pour la pratique est le terme. Entre 37 et 40 semaines, dans l'étude de Stringer, l'erreur moyenne de l'IA était de 11,5 jours, contre 9,1 jours pour l'échographie standard, et le résultat a été jugé non concluant (Stringer et al., 2024). Les auteurs ne recommandent pas l'outil à ce stade.

Pokaprakarn et ses collaborateurs rapportent des données rares après 37 semaines et une tendance à sous-estimer l'âge gestationnel dans cette tranche chez le groupe d'infirmières novices (Pokaprakarn et al., 2022). Willis et ses collaborateurs ont également observé une performance variable après 36 semaines et discutent le fait qu'une partie de la différence peut venir d'incohérences dans la référence elle-même (Willis et al., 2026).

À l'autre extrême, l'étude de Pokaprakarn ne comptait presque aucun examen avant 9 semaines, et le modèle ne produit pas d'estimations en dessous de ce seuil (Pokaprakarn et al., 2022). Gomes et ses collaborateurs disposaient également de peu de vidéos avant 12 semaines et après 37 semaines, et affirment ne pas pouvoir garantir que les modèles se généralisent à ces tranches (Gomes et al., 2022).

Les populations laissées de côté

Les études ont exclu ou disposaient de peu de données sur des groupes pour lesquels la datation est souvent plus difficile. Voici les principaux points de vigilance décrits par les auteurs :

• Stringer a exclu les femmes avec un indice de masse corporelle de 40 ou plus, les grossesses gémellaires et les anomalies connues, et a étudié une population générale, sans se concentrer sur l'hypertension, le diabète ou l'obésité sévère (Stringer et al., 2024).
• Dans la même étude, parmi 97 femmes avec un indice de masse corporelle supérieur à 30, l'erreur de l'IA était de 3,8 jours contre 3,1 pour la référence, dans une analyse de sous-groupe sans test d'hypothèse (Stringer et al., 2024).
• Schott et ses collaborateurs observent que mesurer deux fœtus sur une échographie en aveugle exige d'identifier et de repérer chacun d'eux, une tâche pour laquelle les modèles actuels n'ont pas été conçus (Schott et al., 2026).
• Willis et ses collaborateurs décrivent de petits échantillons pour la grossesse multiple et pour les extrêmes de poids fœtal (Willis et al., 2026).

Ce que l'estimation ne remplace pas

L'estimation de l'âge gestationnel répond à une question. Elle ne confirme pas où la grossesse est implantée, n'évalue pas l'anatomie fœtale et ne remplace pas l'investigation d'un saignement ou d'une douleur en début de grossesse, qui est le sujet de grossesse ectopique, bêta-hCG et incertitude. Stringer et ses collaborateurs affirment que la précision de l'outil en présence d'anomalies fœtales ne peut pas être déterminée avec les données de l'étude (Stringer et al., 2024).

La revue de Schott défend que l'IA soit vue comme un complément, et non un substitut, de la compétence clinique (Schott et al., 2026). Pokaprakarn et ses collaborateurs reconnaissent que la technologie peut être perçue comme une menace pour la formation de capacités diagnostiques locales et que les modalités de diffusion demandent encore à être étudiées (Pokaprakarn et al., 2022). Ils rappellent aussi qu'il n'y a pas eu de cohorte de validation externe au sens strict dans le travail original.

Quand la question de la femme enceinte porte sur des examens d'imagerie utilisant des rayonnements, le raisonnement est différent, et il est décrit dans le texte sur rayonnements pendant la grossesse et conseil.

Mise en œuvre : qui opère et ce qui change dans le service

La technologie n'aide que si elle s'intègre au service. Della Ripa et ses collaborateurs ont interrogé 41 sages-femmes, médecins, chercheurs et responsables de programmes, en se concentrant sur celles et ceux qui vivent ou travaillent dans des pays africains à revenu faible et intermédiaire, au sujet d'un prototype d'échographie portable avec IA (Della Ripa et al., 2025). La datation automatique a été l'une des fonctions qui ont suscité le plus d'intérêt, à côté des préoccupations sur la précision de l'algorithme et sur la perte de raisonnement clinique due à une dépendance excessive à la machine.

Les participants ont globalement convenu que l'échographie portable standard et celle avec IA pourraient améliorer l'adhésion au suivi prénatal, avec 75 et 65 pour cent d'accord, respectivement, et la confiance des professionnels dans les décisions cliniques, avec 85 et 70 pour cent (Della Ripa et al., 2025). L'IA a toujours suscité plus d'incertitude que l'échographie standard. Les thèmes soulevés comprenaient la répartition des tâches avec les sages-femmes, le contenu de la formation, la sécurité des données, la responsabilité juridique et la nécessité d'une aide à la décision et d'un réseau de référence pour que l'examen change les issues.

L'estimation comme porte d'entrée vers d'autres décisions

L'âge gestationnel ouvre aussi la voie à d'autres interventions à fenêtre définie. Le protocole de Swarray Deen et ses collaborateurs décrit une étude portant sur 969 femmes enceintes dans 13 services du Ghana, du Kenya et d'Afrique du Sud, où des sages-femmes formées réaliseront des échographies avec un système d'IA entre 11 et 13 semaines, comparées à la mesure d'échographistes (Swarray Deen et al., 2026). L'objectif est d'appuyer le dépistage du risque de pré-éclampsie, qui dépend d'une datation correcte.

Selon ce protocole, l'OMS recommande d'offrir de l'aspirine aux femmes présentant un risque modéré ou élevé de pré-éclampsie, de préférence avant 20 semaines (Swarray Deen et al., 2026). Comme il s'agit encore d'un protocole, les résultats ne sont pas disponibles, et l'étude illustre la question suivante du domaine : si l'estimation faite par une personne non spécialiste est suffisamment bonne pour guider une décision clinique soumise à un délai.

Qui bénéficie de l'outil

Les études ont été conçues pour des lieux où il n'y a pas d'échographiste, et non pour remplacer les examens là où ils existent. Stringer et ses collaborateurs concluent qu'entre 14 et 37 semaines, l'échographie portable avec IA a permis à des utilisatrices sans formation préalable en échographie d'estimer l'âge gestationnel avec la même précision que des échographistes accrédités utilisant des appareils de haute spécification (Stringer et al., 2024). Les études de base ont été financées en partie par une fondation philanthropique et ont disposé de sondes offertes par le fabricant, information que les articles eux-mêmes déclarent (Pokaprakarn et al., 2022).

Pour qui étudie le sujet, la distinction entre ce type d'IA, qui lit des images, et les modèles de langage utilisés dans l'aide au diagnostic aide à lire chaque preuve dans son contexte. L'usage des modèles de langage est discuté dans intelligence artificielle dans le raisonnement clinique, et un exemple de modèle prédictif dans une autre spécialité se trouve dans IA en néphrologie.

Retour au cas

La femme du début ne se souvient pas de ses dernières règles, et la hauteur utérine donne une fourchette de quatre semaines. Avec l'échographie à l'aveugle lue par IA, l'infirmière dispose d'une estimation qui, entre 14 et 27 semaines, s'est rapprochée de l'échographie standard dans les études de validation (Stringer et al., 2024). Cette date oriente ensuite le calendrier des consultations suivantes et permet de reconnaître, plus tard, si un travail est prématuré.

L'estimation ne dit pas si la grossesse est gémellaire, s'il existe des anomalies ni où se trouve le placenta. Si la patiente revient près du terme, l'outil ne doit pas servir à redater la grossesse, car l'erreur était plus grande à ce stade (Stringer et al., 2024). La consignation de l'âge gestationnel obtenu maintenant, à la moitié de la grossesse, vaut plus que toute estimation tardive.

Comment NEXO aide à entraîner ce raisonnement

Dans NEXO, le cas du jour est fictif, avec une présentation clinique réelle et jusqu'à six indices progressifs, et vous proposez le diagnostic en cherchant le code dans la CIM-10. Savoir à quel point faire confiance à une date de dernières règles vague, à une hauteur utérine ou à une estimation automatique demande le même exercice : peser chaque nouvel indice et réviser l'hypothèse, comme dans l'entraînement au diagnostic différentiel avec indices.

Les limites d'usage du jeu sont décrites sur la page d'économie de NEXO. Si vous faites de la recherche sur l'enseignement du raisonnement clinique, la page pour les chercheurs explique comment prendre contact. Les professionnels qui écrivent ou révisent des cas trouvent des informations dans curation et dans créateurs, et les institutions peuvent découvrir la proposition sur la page pour les partenariats. Chercher le bon code dans la CIM-10 complète cet entraînement.

Questions fréquentes

L'IA en échographie remplace-t-elle l'échographiste ?

Les études ne soutiennent pas cette conclusion. L'outil estime l'âge gestationnel, mais n'évalue ni l'anatomie, ni le placenta, ni une grossesse multiple, et la revue de Schott et collaborateurs le décrit comme un complément de la compétence clinique (Schott et al., 2026).

Combien de formation faut-il pour faire l'échographie à l'aveugle ?

Dans l'étude de Stringer, les utilisatrices sans expérience ont reçu une journée de formation (Stringer et al., 2024). À Nairobi, environ six heures de formation pratique ont été associées à moins d'échographies rejetées que la formation informelle de Chicago (Willis et al., 2026).

L'estimation fonctionne-t-elle en fin de grossesse ?

Elle fonctionne moins bien. Entre 37 et 40 semaines, l'erreur moyenne était de 11,5 jours avec l'IA et de 9,1 jours avec l'échographie standard, et les auteurs ne recommandent pas l'outil à ce stade (Stringer et al., 2024).

Et en début de grossesse ?

Les données sont rares. Le modèle de Pokaprakarn n'estime pas en dessous de 9 semaines (Pokaprakarn et al., 2022), et la méta-analyse de Naz et collaborateurs n'a trouvé qu'une seule étude au premier trimestre (Naz et al., 2025). Entre 11 et 13 semaines, une étude monocentrique a montré une erreur de 2,1 jours, avec une précision moindre que la mesure standard (Eisenkolb et al., 2026).

Le système a-t-il besoin d'internet ?

La version décrite par Gomes et collaborateurs fonctionne sur téléphone, sans connexion, et donne le résultat en moins de 3 secondes après l'échographie (Gomes et al., 2022).

Messages à retenir

• Rappelez-vous que l'OMS recommande une échographie avant 24 semaines pour estimer l'âge gestationnel, recommandation difficile à respecter là où manque un échographiste (OMS, soins prénatals, 2016).
• Entre 14 et 27 semaines, des échographies à l'aveugle réalisées par des novices et lues par IA ont été équivalentes à l'échographie standard dans une étude prospective (Stringer et al., 2024).
• Comparez l'estimation par IA avec ce que vous avez réellement : face aux dernières règles, l'erreur est passée de 17,4 à 4,9 jours dans le groupe des infirmières novices (Pokaprakarn et al., 2022).
• Évitez d'utiliser l'outil pour dater la grossesse près du terme, stade où l'erreur était plus grande que celle de l'examen standard (Stringer et al., 2024).
• Tenez compte du fait que les grossesses gémellaires, l'obésité sévère et les anomalies ont été exclues ou peu étudiées (Stringer et al., 2024).
• Traitez l'IA comme un complément du service, avec formation, aide à la décision et réseau de référence (Della Ripa et al., 2025).

Références

1. World Health Organization. New guidelines on antenatal care for a positive pregnancy experience. Nota à imprensa, 7 de novembro de 2016. [Texto integral](https://www.who.int/news/item/07-11-2016-new-guidelines-on-antenatal-care-for-a-positive-pregnancy-experience).
2. Organisation mondiale de la Santé. Naissance prématurée. Note descriptive. [Texte intégral](https://www.who.int/news-room/fact-sheets/detail/preterm-birth).
3. Pokaprakarn T, Prieto JC, Price JT, et al. AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evid. 2022;1(5). [PMID 36875289](https://pubmed.ncbi.nlm.nih.gov/36875289/). DOI 10.1056/evidoa2100058.
4. Stringer JSA, Pokaprakarn T, Prieto JC, et al. Diagnostic accuracy of an integrated AI tool to estimate gestational age from blind ultrasound sweeps. JAMA. 2024;332(8):649-57. [PMID 39088200](https://pubmed.ncbi.nlm.nih.gov/39088200/). DOI 10.1001/jama.2024.10770.
5. Gomes RG, Vwalika B, Lee C, et al. A mobile-optimized artificial intelligence system for gestational age and fetal malpresentation assessment. Commun Med (Lond). 2022;2:128. [PMID 36249461](https://pubmed.ncbi.nlm.nih.gov/36249461/). DOI 10.1038/s43856-022-00194-5.
6. Willis A, Lee C, Krogue J, et al. Generalization of AI-based gestational age assessment using blind sweep ultrasonography. JAMA Netw Open. 2026;9(7):e2622484. [PMID 42424080](https://pubmed.ncbi.nlm.nih.gov/42424080/). DOI 10.1001/jamanetworkopen.2026.22484.
7. Benson M, Walton S, Hartley T, et al. Fetal gestational age estimation using artificial intelligence on non-targeted ultrasound images and video. NPJ Digit Med. 2025;8(1):700. [PMID 41266569](https://pubmed.ncbi.nlm.nih.gov/41266569/). DOI 10.1038/s41746-025-02024-z.
8. Eisenkolb G, Wright D, Syngelaki A, et al. Real-time gestational-age estimation at 11-13 weeks using artificial intelligence on non-targeted ultrasound sweeps. Ultrasound Obstet Gynecol. 2026;68(4):510-7. [PMID 42740444](https://pubmed.ncbi.nlm.nih.gov/42740444/). DOI 10.1002/uog.70335.
9. Naz S, Noorani S, Jaffar Zaidi SA, et al. Use of artificial intelligence for gestational age estimation: a systematic review and meta-analysis. Front Glob Womens Health. 2025;6:1447579. [PMID 39950139](https://pubmed.ncbi.nlm.nih.gov/39950139/). DOI 10.3389/fgwh.2025.1447579.
10. Schott J, Wilmes M, Walter A, et al. The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: a systematic literature review. Acta Obstet Gynecol Scand. 2026;105(3):403-17. [PMID 41574472](https://pubmed.ncbi.nlm.nih.gov/41574472/). DOI 10.1111/aogs.70147.
11. Della Ripa S, Santos N, Walker D. AI-enabled obstetric point-of-care ultrasound as an emerging technology in low- and middle-income countries: provider and health system perspectives. BMC Pregnancy Childbirth. 2025;25(1):729. [PMID 40615993](https://pubmed.ncbi.nlm.nih.gov/40615993/). DOI 10.1186/s12884-025-07796-6.
12. Swarray Deen A, McDougall ARA, Chemway R, et al. Prospective accuracy study on an artificial intelligence-based ultrasound system for gestational age estimation among pregnant women in Ghana, Kenya and South Africa: protocol. BMJ Open. 2026;16(9):e118330. [PMID 42731844](https://pubmed.ncbi.nlm.nih.gov/42731844/). DOI 10.1136/bmjopen-2026-118330.