Ce livre blanc examine l’apport de l’IA au dépistage, à l’imagerie et à la prédiction en gynécologie et obstétrique, avec un accent sur l’Amérique latine. Il s’agit d’une synthèse narrative des données construite à partir de recherches PubMed menées en juin et juillet 2026, avec un corpus final de 27 références, qui classe chaque application selon cinq niveaux de maturité, du développement rétrospectif à la mise en œuvre de routine surveillée. C’est une littérature grise non évaluée par les pairs, publiée par Arkangel AI, qui n’évalue aucun produit d’Arkangel.
Le dépistage cervical et l’analyse d’images disposent des données les plus mûres : un modèle de cytologie cervicale a atteint une AUC de 0.947 en validation prospective chez 2,780 participantes, tandis qu’un modèle de cytologie en milieu liquide a montré une spécificité inférieure à celle des cytopathologistes (0.831 contre 0.901). L’échographie fœtale est un domaine actif, et les modèles d’apprentissage automatique pour la prééclampsie et le diabète gestationnel sont nombreux mais hétérogènes, avec une AUROC poolée de 0.8492 pour le diabète gestationnel et une forte hétérogénéité. Les données régionales directes proviennent de deux cohortes mexicaines, dont un modèle de prééclampsie avec une AUC de 0.897 pour la forme prématurée. Les auteurs concluent qu’aucun domaine ne permet encore d’affirmer une mise en œuvre de routine sûre en Amérique latine et appellent à une validation externe, à des audits de biais et à des mesures de processus avant toute affirmation d’impact clinique.
