Radiomics-analyse van vroege zwangerschaps-echobeelden om levensvatbaarheid aan het einde van het eerste trimester te voorspellen

Waarom vroege antwoorden tijdens de zwangerschap belangrijk zijn

Voor veel vrouwen zijn de eerste weken van de zwangerschap een mengeling van hoop en angst. Wanneer een vroege echo nog niet duidelijk kan laten zien of een zwangerschap zal voortduren of in een miskraam zal eindigen, spreken artsen van een “zwangerschap met onbekende levensvatbaarheid.” Deze wachttijd—vaak één tot twee weken voordat een controle-echo wordt gemaakt—kan emotioneel zeer uitputtend zijn. De hier samengevatte studie onderzoekt of subtiele patronen in routinematige echobeelden, gecombineerd met eenvoudige klinische gegevens, eerder en nauwkeuriger het uiteindelijke verloop kunnen voorspellen.

Voorbij wat het oog kan zien

Traditionele echobeoordeling berust op wat clinici direct kunnen meten en waarnemen: de grootte en vorm van het zwangerschapszakje, de aanwezigheid van een dooierzakje of een klein embryo en of een hartslag zichtbaar is. Eerder onderzoek heeft dergelijke kenmerken gebruikt om scoresystemen te bouwen, maar hun nauwkeurigheid is beperkt en vaak afhankelijk van volledige gegevens. In dit nieuwe werk vroegen de onderzoekers of computers veel fijnere details in de echobeelden konden oppikken—details te subtiel voor het menselijk oog—met een aanpak die radiomics wordt genoemd. Radiomics zet beelden om in duizenden numerieke kenmerken die textuur, helderheids­patronen en kleinschalige structuren beschrijven, en mogelijk vroege signalen van gezonde of falende innesteling vastleggen.

Het opbouwen van een geautomatiseerde beeldverwerking

Het team verzamelde echo’s van 500 vrouwen die tussen 2021 en 2023 vroege zwangerschapsafdelingen in twee Londense ziekenhuizen bezochten. Allen waren geïnformeerd dat zij een zwangerschap met onbekende levensvatbaarheid hadden, en hun uiteindelijke uitkomst—voortgezette zwangerschap of miskraam aan het einde van het eerste trimester—werd later vastgelegd. Om de beelden voor analyse voor te bereiden, leerde men eerst een deep-learningmodel twee belangrijke gebieden in elke scan te vinden: het zwangerschapszakje zelf en een dunne ring van omliggend baarmoederslijmvlies. Met een neurale netwerkarchitectuur ontworpen voor medische beeldvorming leerde het systeem deze gebieden met hoge nauwkeurigheid te traceren, en kwam het nauwkeurig overeen met handmatige contouren van experts. Deze geautomatiseerde “segmentatiestap” is cruciaal, omdat toekomstige scans zo verwerkt kunnen worden zonder extra tijd van gespecialiseerde clinici te vragen.

Patronen omzetten in voorspellingen

Zodra de gebieden waren geïdentificeerd, haalde radiomics-software meer dan vierduizend kwantitatieve kenmerken uit de echobeelden. Tegelijk verzamelde het team eenvoudige klinische informatie die al in de routinezorg werd vastgelegd—zoals de leeftijd van de vrouw, het aantal zwangerschapsweken volgens de laatste menstruatie en de mate van bloedverlies en pijn die zij had gemeld. Omdat niet alle variabelen even nuttig zijn, testten de onderzoekers een breed scala aan methode voor kenmerkselectie en machine-learningalgoritmen om de beste combinatie te vinden. Hun uiteindelijke model, genoemd het Pregnancy of Unknown Viability Prediction Score (PUVPS), maakte gebruik van een techniek bekend als XGBoost en zorgvuldig gekozen radiomische en klinische kenmerken. In testen onderscheidde het model voortgezette zwangerschappen van miskramen met sterke prestaties, ook in gegevens van een extern ziekenhuis dat niet voor training was gebruikt.

Waar het model echt op leunt

Sommige van de meest invloedrijke voorspellers bleken bekende klinische factoren te zijn: hoe ver de zwangerschap volgens de laatste menstruatie gevorderd zou moeten zijn, de ernst van vaginaal bloedverlies en de leeftijd van de moeder. Maar ook verschillende radiomische textuurmaatregelen van het zakje en het omliggende weefsel scoorden hoog. Deze kenmerken beschrijven hoe uniform of vlekkerig de pixelintensiteiten zijn en hoe heldere gebieden zijn verdeeld, wat mogelijk verband houdt met hoe goed de vroege placenta en ondersteunende weefsels zich vormen. Interessant genoeg leken de radiomische kenmerken ook te veranderen met de zwangerschapsduur, wat suggereert dat ze mogelijk echte biologische veranderingen in de vroege zwangerschapsontwikkeling volgen in plaats van willekeurige ruis.

Wat dit voor patiënten zou kunnen betekenen

De studie heeft beperkingen, met name de bescheiden steekproefgrootte, wat elk machine-learningmodel te optimistisch kan maken totdat het in veel grotere en meer diverse groepen is getest. Toch suggereren de resultaten dat het mogelijk zou kunnen zijn vrouwen met een zwangerschap van onbekende levensvatbaarheid een gepersonaliseerde risicoinschatting te geven op basis van de echografie die zij al ondergaan, zonder extra bloedtests of procedures. In de toekomst, als het gevalideerd wordt in grootschalige multicentrische studies, zou een hulpmiddel als PUVPS stil op de achtergrond van de echopraktijk kunnen draaien, beelden realtime analyseren en een waarschijnlijkheid van voortgezette zwangerschap bieden. In plaats van standaard vervolgscans te vervangen, zou het vrouwen en clinici kunnen helpen zich emotioneel en praktisch voor te bereiden tijdens een zeer onzekere wachttijd.

Bronvermelding: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Trefwoorden: vroege zwangerschap, risico op miskraam, echografie, radiomics, machine learning in de geneeskunde