الاستفادة من التعلم الآلي لتعزيز نتائج صحة الأم والجنين 1. التنبؤ بالنزيف بعد الولادة (PPH) والحاجة لنقل الدم باستخدام التعلم الآلي طوّر أحمدزية HK وآخرون (2024) عدة نماذج تعلم آلي، من بينها نماذج تعزيز التدرج، للتنبؤ بالنزيف بعد الولادة (خسارة ≥1000 مل من الدم) واحتياجات نقل الدم، باستخدام بيانات من أكثر من 185, 000 ولادة في 12 مستشفى في الولايات المتحدة (الاتحاد من أجل الحمل الآمن). فاقت نماذج تعزيز التدرج أداء النماذج الأخرى (مقياس ROC-AUC 0. 833؛ PR-AUC 0. 210) عند دمج ميزات الحمل السابقة وأثناء الولادة. كانت العوامل الرئيسية المؤثرة تشمل وضع الولادة، جرعة الأوكسيتوسين، استخدام مادة التوليف، وجود ممرضة التخدير، ونوع المستشفى، مما يبرز العوامل السريرية والنظامية. على الرغم من أن الجمع بين بيانات الحمل ومراحل الولادة حسّن الدقة، إلا أن الدقة كانت متواضعة (~13%)، وأظهرت منحنيات المعايرة تقديراً مفرطاً للمخاطر. من مزايا الدراسة حجم العينة متعدد المراكز واحتواء البيانات على عوامل على مستوى النظام، أما العيوب فتشمل الاعتماد على بيانات قديمة (2002–2008)، وطرق التقدير، واختلاف حدود نقل الدم، مما يشير إلى ضرورة التحقق الخارجي باستخدام مجموعات بيانات حديثة وعمليات تدقيق لضمان العدالة تشمل العرق، التأمين، وخصائص المستشفيات. 2. التنبؤ بنزيف بعد الولادة عند الإدخال باستخدام النماذج الإحصائية والتعلم الآلي قارَن Venkatesh KK وآخرون (2020) بين عدة نماذج من الانحدار اللوجستي، الغابات العشوائية، وXGBoost للتنبؤ بالنزيف بعد الولادة باستخدام بيانات من 152, 279 ولادة (10 مواقع في الولايات المتحدة؛ 2002–2008). حقق نموذج XGBoost أعلى أداء (مقياس C 0. 93)، متفوقاً على الغابات العشوائية (0. 92) والنماذج الانحدارية (0. 87). كانت المتغيرات المهمة تشمل مؤشر كتلة الجسم قبل الحمل وعند الدخول، حجم الطفل المفرط (ماكروزوميا)، العلامات الحيوية، محاولة الولادة، عدد الحمل، الأنيميا، والولادة التلقائية. تراوحت نسبة حدوث النزيف بعد الولادة بين 4. 7 و4. 8%، مع ارتفاع ملحوظ يصل إلى حوالي 15% في حالات الولادة القيصرية مقابل حوالي 0. 6% في الولادات المهبلية، مما يوضح عدم توازن الفئات والحاجة لضبط عتبات التنبؤ. استخدمت الدراسة التحقق عبر الزمن والموقع بالإضافة إلى تحليل منحنى القرار لتقييم الفائدة السريرية. العيوب تشمل بيانات قديمة واحتمال أخطاء قياس خسارة الدم. التوصيات تتضمن التحقق الخارجي المستقبلي، إعادة المعايرة، تحسين عتبات القرارات، والتدقيق في العدل والإنصاف. 3. التنبؤ بالمراضة الأمومية الشديدة (SMM) وتقييم الفوارق في ميريلاند li Q وآخرون (2025) استخدموا بيانات مرتبطة بين سجلات المستشفيات والمعلومات من الجمعية الأمريكية للمستشفيات تشمل 261, 226 ولادة (2016–2019) في ميريلاند للتنبؤ بـ SMM ودراسة التفاوتات بحسب العرق، الدخل، التأمين، واللغة.

حققت نماذج LASSO بـ 18 ميزة معدل تفريق AUC يقارب 0. 80، متفوقة على الانحدار اللوجستي (AUC حوالي 0. 69–0. 71)، إلا أن الاستدعاء كان منخفضاً نظراً لندرة حالات SMM (~76 حالة من كل 10, 000 ولادة). وجد أن risiko SMM أعلى بين النساء غير الأمريكيّات من أصل أفريقي (نسبة الخطورة ≈ 2)، المقيمين من ذوي الدخل المنخفض، الحاملين عبر التأمين الحكومي، وغير الناطقين باللغة الإنجليزية. باستخدام تعريف CDC لـ SMM الذي استبعد النقل، وتحسين شرح الميزات، زادت قابلية التفسير وتقارب النموذج. من المزايا وجود قاعدة بيانات أكبر على مستوى الولاية وتحليل واضح للفوارق، أما العيوب فتشمل الحساسية المنخفضة للكشف عن الحالات، تقييد جغرافي، واستبعاد النقل من التعريف. ينبغي أن تتجه الدراسات المستقبلية نحو استراتيجيات معالجة عدم التوازن، وتحليل منحنى القرار بشكل ملائم لتخصيص الموارد، والتحقق الموسع. 4. قياسات الجنين الآلية خلال 20 أسبوعاً من خلال المسح بالموجات فوق الصوتية الكاملة Venturini L وآخرون (2025) قدموا خط أنابيب ذكي آلي كامل لتقدير قياسات السمات الجنينية القياسية (محيط الرأس، القطر الثنائي الجداري، محيط البطن، طول الع femur) عبر تحليل كل إطار من فيديوهات الموجات فوق الصوتية لمدة 20 أسبوعاً من مجموعة بيانات iFIND (7, 309 مسح، و1, 457 اختبار، حوالي 48 مليون إطار). يتكامل النظام مع تصنيف فوري لطبقات الموجات فوق الصوتية (SonoNet)، وقياسات باستخدام شبكة U-Net لكل إطار، ونموذج خليط بيثاني ليجمع القياسات، يرفض القياسات الشاذة، ويقدم فواصل موثوقة، مما يقلل من تحيّز العامل البشري. كانت الاختلافات بين القياسات الآلية والبشرية تتوافق بشكل وثيق مع التداخل بين القراءات البشرية (~95% ضمن النطاق). الجمع بين جميع الإطارات خلّص إلى تقليل كبير في التباين مقارنةً بالتقديرات من إطار واحد، كما أن التغير في الاختبار–إعادة الاختبار كان حول نصف التباين البشري على أجهزة الموجات فوق الصوتية المختلفة، مما يُظهر الثبات. توفر فواصل الثقة البيثانية تفسيراً واضحاً وتضيق مع زيادة البيانات. من المزايا الحجم، التطبيق الفوري، إمكانية التكرار، وقياس عدم اليقين. تشمل العيوب تمثيل محدود للأجنة ذات الحالات غير الطبيعية، وتباين أداء المقاييس (مثل القطر عبر المخيخ)، وعدم القدرة على تعميم النتائج عبر تقنيات الموجات فوق الصوتية المختلفة. يُوصى بالقيام بتجارب سريرية معززة بالحالات غير الطبيعية، وتحديث نماذج خاصة بكل مركز، واختبار قابلية الاستخدام لعرض فواصل الثقة بشكل واضح.