Aprovechament de l'Aprenentatge Automàtic per millorar els resultats en la salut materna i fetal 1. Predicció de la Hemorràgia Postpartum (HPP) i Transfusions mitjançant l'Aprenentatge Automàtic Ahmadzia HK et al. (2024) van desenvolupar múltiples models d'AP, incloent-gradient boosting, per preveure la HPP (perduda de sang ≥1000 mL) i les necessitats de transfusió sanguínia a partir de dades de més de 185. 000 naixements en 12 hospitals dels Estats Units (Consortium for Safe Labor). El gradient boosting va superar els altres (ROC-AUC 0, 833; PR-AUC 0, 210) en combinar característiques anterpartum i intrapartum. Els predictors clau incloïen el mode de lliurament, la dosi d'oxitocina, l'ús detocolític, la presència d'infermer/a d'anestèsia i el tipus d'hospital, destacant factors clínics i systemes. Tot i que la combinació de dades anterpartum i intrapartum va millorar l'exactitud, la precisió va continuar sent modesta (~13%), amb corbes de calibratge indicant una sobreestimació del risc. Els punts forts de l'estudi inclouen el llarg coòrt multicèntric i la inclusió de variables a nivell de sistema; les limitacions impliquen dades més antigues (2002–2008), mètodes d'imputació i diferents llindars de transfusió, suggerint la necessitat de validació externa amb dades actuals i auditoria de justícia que considerin raça, assegurança i característiques de l'hospital. 2. Predicció de la HPP en el moment d'admissió utilitzant models d'AP i estadístics Venkatesh KK et al. (2020) van comparar variants de regressió logística, randome forest i XGBoost per predir la HPP amb dades de 152. 279 naixements (10 centres dels EUA; 2002–2008). XGBoost va obtenir el millor rendiment (C-statistic 0, 93), per sobre de randome forest (0, 92) i models de regressió logística (0, 87). Les variables importants van incloure l'IMC preconcepcional i a l'admissió, la macrosòmia, signes vitals, opció de provar el treball de part, nombre de gestacions, anemia i treball espontani. La incidència de HPP oscil·lava entre el 4, 7 i el 4, 8%, amb un risc notablement més alt (~15%) en cesàries comparat amb el 0, 6% en part vaginal, fent evident la necessitat de refinar els llindars. L’estudi va utilitzar validació temporal i per lloc, així com anàlisi de la corba de decisió per valorar la utilitat clínica. Les limitacions inclouen dades desuades i possibles errors en la mesura de la pèrdua de sang. Es recomana validació prospectiva externa, recalibració, optimització de llindars de decisió i auditoria d’equitat. 3. Predicció de la Morbiditat Materna Severa (MMS) i avaluació de desigualtats a Maryland Li Q et al.

(2025) van utilitzar dades vinculades de les administratives hospitalàries i de l’Associació Americana d’Hospitals, abastant 261. 226 naixements (2016–2019) a Maryland per predir la MMS i analitzar les disparitats per raça, ingressos, assegurança i idioma. Els models LASSO amb 18 variables van obtenir un AUC ~0, 80, millorant la regressió logística (AUC ~0, 69–0, 71); no obstant això, el recall va ser baix degut a la baixa incidència de MMS (~76 casos per cada 10. 000 naixements). Es van detectar majors riscos a dones afroamericanes no hispàtiques (raó de riscos ≈ 2), residents amb baixos ingressos, assegurades públiques i parlants no anglès. Utilitzant una definició de MMS del CDC que excloïa la transfusió, amb limitació de variables, es va millorar la interpretabilitat i la convergència, mantenint la capacitat de discriminació. Els punts forts inclouen dades grans i vinculades estatals, així com una anàlisi explícita d’equitat. Les limitacions inclouen la baixa sensibilitat en la detecció dels casos, restricció geogràfica, i l'exclusió de la transfusió de la definició de MMS. Es recomana futures Estratègies per afrontar el desequilibri de classes, anàlisi de decisions segons recursos i validacions més àmplies. 4. Biometria fetal automatitzada a les 20 setmanes a partir de proves d’ultrasò ultraràpides Venturini L et al. (2025) van presentar una pipeline d’IA totalment automatitzada per estimar les mesures biomètriques estacionals del fetus (circumferència de cap, diàmetre biparietal, circumferència abdominal, longitud de fèmur) analitzant cada fotograma de vídeos d'ultrasò de 20 setmanes de l'estudi iFIND (7. 309 escanejos; 1. 457 per a prova; ~48 milions de fotogrames). El sistema combina classificació en temps real de plans (SonoNet), mesura amb U-Net per fotograma, i un model de mescla Bayesian per agrupar dades, rebutjar outliers i generar intervals de credibilitat, minimitzant el biaix de l’operador. Les diferències de mesura entre màquina i human van estar molt a prop de la variabilitat inter-observari (95% dins del rang) en la majoria de metadades. La recollida de totes les imatges va reduir significativament la variabilitat en comparació amb mesures a partir d’un sol fotograma, i la variabilitat entre proves (re-test) va ser aproximadament la meitat de la variabilitat humana en diferents aparells d’ultrasò, demostrant robustesa. Els intervals de credibilitat Bayesian ofereixen una interpretació coherent i s’encongeixen amb més dades. Entre els punts forts hi ha l’ escala, la seva aplicació en temps real, la reproduïbilitat i la quantificació d’incertesa. Les limitacions inclouen una representació limitada d’embarassos amb anomalíes, rendiment variable en alguns metadades (com a diàmetre transcerebel·lós), i incertesa quant a la generalització a diferents tecnologies d’ultrasò. Es recomana a proves clíniques amb casos d’anomalia, actualitzacions per lloc i proves de usabilitat per mostrar intervals de confiança.