První oblastí, kde lze ocenit asistenci AI, je kontrolní ultrazvukové vyšetření, konkrétně při biometrii. „Systémy nám mohou během rutinního vyšetření po stanovení roviny automaticky naložit kalipery a urychlí nám to práci. Je to použitelné v rutinní praxi už několik let a zdá se, že to vede jak k menší variabilitě mezi měřeními jednotlivými sonografisty, tak k větší konzistenci měření,“ podotýká perinatolog.
AI pomáhá prostřednictvím stovek jednotlivých měření vyrovnat se i s fenoménem očekávání při měření. Když sonografisté posuzují míry plodu odpovídajícího například 32. týdnu těhotenství, vědí, do jakého rozmezí by měly směřovat. Ve výsledku to může vést až ve 30 % případů k podvědomému podhodnocování a nadhodnocování rozměrů.
Podle studie publikované v JAMA Open Network vede použití AI také k lepší predikci gestačního stáří.2 „Když srovnávali standardní biometrii a AI model, odchylka sonografisty od očekávání byla 5 dnů, u AI modelů 3,5 dne. Rozdíly byly ještě výraznější, pokud se jednalo o plody s růstovou restrikcí,“ shrnuje MUDr. Hynek závěr studie.
Také v případě detekce fetální hypoxie na základě kardiotokografie (CTG) se daří díky AI překonat subjektivitu lékařského hodnocení. Shoda s lékařem dosahuje okolo 90 % a může ho navést k dalšímu postupu.
Při rutinním screeningu hlídá AI normální anatomii, průběžně identifikuje a automaticky ukládá předepsané roviny, což šetří mnoho času – podle autora sdělení ve výsledku až 40 minut na vyšetření, protože nakonec nabídne sonografistovi přehled zachyceného. Užitečné může být přispění AI také pro začínající sonografisty, kterým pomáhá anotací základních struktur a upozorňuje na případné odchylky.
Klíčovou roli může umělá inteligence hrát také v predikci rizika preeklampsie, protože vyhodnocuje desítky parametrů najednou a podle recentních metaanalýz (Ranjbar et al., BMC Pregnancy Childbirth 2024; Zheng et al., Eur J Radiol 2025; Hua et al., J Med Internet Res 2025) dosahuje dobré výkonnosti (AUC 0,86–0,97).3−5
S preeklampsií může být spojen i předčasný porod nebo fetální růstová restrikce. K její predikci AI přispívá například hodnocením textury placenty na MRI nebo DNA a RNA matky. „Potenciál je poměrně značný, byť práce jsou pořád na začátku,“ hodnotí perinatolog přínos umělé inteligence v této oblasti.
Kromě seznamu příležitostí, které jsou se vstupem AI do perinatologické praxe spojeny, MUDr. Hynek neopomíná ani výčet jejích současných limitů. „Vždy je podstatné, na jakých datech se model trénuje, protože pokud byl použit na datech z jiné populace, jiného pracoviště, tak výkonnost nebyla taková, byla o dost nižší. Také se klade velký důraz na to, aby při učení systémů byla velká datová heterogenita,“ uvádí první z nich.
Výsledky studií s AI je podle jeho slov vždy třeba validovat na nezávislých souborech a v prospektivních studiích (trénování probíhá převážně na retrospektivních datech). Dále upozornil na potřebu vysvětlitelnosti výstupu AI. Odpovědí mají být systémy, které označí parametry a určí, jaké z nich mají největší sílu při rozhodování. Transparentně tak rozkryjí rozhodovací mechanismus umělé inteligence. Zmínit je třeba i nezbytnost přesvědčit pacientky, že (a proč) AI patří mezi nástroje využívané v rozhodovacím algoritmu lékaře.
Přes všechny uvedené limity MUDr. Hynek spatřuje v umělé inteligenci rádce, kolegu, který díky svým schopnostem pracovat s rozšířenou realitou může být lékařům velmi nápomocný. „V následujících letech se dočkáme toho, že nám systémy pomohou zpřesnit detekci vrozených vad i predikci rizik a zefektivní vyšetření, což znamená úsporu času, standardizaci. V neposlední řadě nám pomohou v rozhodnutí o včasných intervencích,“ uzavírá.
(pok)
Zdroje:
1. Když algoritmus pomáhá porodníkovi: AI v perinatologii. Sekce Úspěchy české perinatologie a multicentrická spolupráce. 3. kongres Nedoklubka, Praha, 12. 11. 2025.
2. Lee C., Willis A., Chen C. et al. Development of a machine learning model for sonographic assessment of gestational age. JAMA Netw Open 2023; 6 (1): e2248685, doi: 10.1001/jamanetworkopen.2022.48685.
3. Ranjbar A., Montazeri F., Ghamsari S. R. et al. Machine learning models for predicting preeclampsia: a systematic review. BMC Pregnancy Childbirth 2024; 24 (1): 6, doi: 10.1186/s12884-023-06220-1.
4. Zheng W., Jiang Y., Jiang Z. et al. Association between deep learning radiomics based on placental MRI and preeclampsia with fetal growth restriction: a multicenter study. Eur J Radiol 2025 Mar; 184: 111985, doi: 10.1016/j.ejrad.2025.111985.
5. Hua Q., Yang F., Zhou Y. et al. Predictive models using machine learning to identify fetal growth restriction in patients With preeclampsia: development and evaluation study. J Med Internet Res 2025 May 27; 27: e70068, doi: 10.2196/70068.
