Využití strojového učení ke zlepšení výsledků mateřského a plodového zdraví 1. Předpovídání poporodního krvácení (PPH) a transfuzí pomocí strojového učení Ahmadzia HK et al. (2024) vyvinuli několik modelů strojového učení, včetně gradientního boosting, pro předpověď PPH (ztráta krve ≥1000 mL) a potřeby transfúze na základě dat z více než 185 000 porodů ve 12 amerických nemocnicích (Consortium for Safe Labor). Gradientní boosting dosáhl lepších výsledků než ostatní (ROC-AUC 0, 833; PR-AUC 0, 210), když kombinoval předporodní a intrapartumové údaje. Klíčoví predictive faktory zahrnovali způsob porodu, dávku oxytocinu, použití tocolytik, přítomnost anesteziologické sestry a typ nemocnice, čímž se zvýraznily klinické a systémové faktory. Kombinace předporodních a intrapartumových dat zlepšila přesnost, přesto byla precize stále skromná (~13 %), přičemž kalibrační křivky naznačovaly nadhodnocení rizika. Silnými stránkami studie jsou velká multicentrická kohorta a zahrnutí systémových proměnných; omezení představují starší data (2002–2008), metody imputace a různé prahové hodnoty pro transfúzi, což zdůrazňuje potřebu externí validace na aktuálních datech a auditu spravedlnosti vzhledem k rasovým, pojistným a nemocničním charakteristikám. 2. Předpověď PPH při přijetí pomocí modelů ML a statistických metod Venkatesh KK et al. (2020) porovnali logistickou regresi, její varianty, náhodný les a XGBoost v předpovědi PPH využívaje data z 152 279 porodů (10 amerických lokalit; 2002–2008). Nejlepší výkon zaznamenal XGBoost (C-statistika 0, 93), předčil náhodný les (0, 92) a logistické modely (0, 87). Důležité proměnné zahrnovaly BMI před těhotenstvím a při přijetí, makrosomii, vitální funkce, pokus o porod, počet těhotenství, anémii a spontánní porod. Výskyt PPH se pohyboval od 4, 7 do 4, 8 %, přičemž riziko bylo významně vyšší (~15 %) při císařském řezu oproti přirozenému porodu (~0, 6 %), což zvýrazňuje problém nerovnováhy tříd a nutnost lepšího nastavení prahu rozhodování. Studie využila časovou a lokalitní validaci i analýzu rozhodovacích křivek k hodnocení klinické užitečnosti. Omezení zahrnují zastaralá data a možné chyby v měření ztráty krve. Doporučuje se externí validace, rekalibrace, optimalizace rozhodovacích prahů a hodnocení spravedlnosti. 3. Předpověď závažné matky-morbidity (SMM) a hodnocení nerovností v Marylandu Li Q et al. (2025) využili propojená data z nemocničních administrativ a American Hospital Association na 261 226 porodů (2016–2019) v Marylandu k predikci SMM a analýze rozdílů podle rasové, příjmové, pojistné a jazykové skupiny.

Modely LASSO s 18 proměnnými dosáhly AUC přibližně 0, 80, překonaly logistickou regresi (AUC kolem 0, 69–0, 71), ačkoliv citlivost byla nízká kvůli vzácnosti SMM (~76 případů na 10 000 porodů). Vyšší riziko SMM bylo u žen nerozhodného etnika (poměr rizik cca 2), obyvatel s nízkými příjmy, veřejně pojištěných a nespadajících do angličtiny. Použitím definice SMM CDC, která nezahrnovala transfúzi, a omezením proměnných došlo ke zlepšení interpretovatelnosti a konvergence, přičemž zachována byla schopnost diskriminace. Výhody jsou velká propojená data na úrovni celého státu a explicitní analýza nerovností. Omezení zahrnují nízkou senzitivitu u detekce případů, geografická omezení a vynechání transfúze z definice SMM. Budoucí výzkum by měl řešit strategie nerovnováhy tříd, analýzy podle rozhodovacích křivek v souladu s alokací zdrojů a rozšířenou validaci. 4. Automatické stanovení fetalové biometrii ve 20. týdnu z celých ultrazvukových snímků Venturini L et al. (2025) představili plně automatizovaný AI systém na odhad standardních fetálních měření (obvod hlavy, biparietální rozměr, obvod břicha, délka stehenní kosti) analýzou všech snímků 20týdenního ultrazvuku z datasetu iFIND (7 309 skenů; 1 457 testovacích skenů, přibližně 48 milionů snímků). Systém kombinuje řízenou klasifikaci plánů (SonoNet), měření na každém snímku pomocí U-Net a bayesovský směšovací model k agregaci měření, odmítání odlehlých hodnot a tvorbě věrohodných intervalů, čímž minimalizuje operátorské zaujetí. Rozdíly mezi měřením strojů a lidí se shodovaly s variabilitou mezi pozorovateli (přibližně 95 % hodnot v rozmezí). Kombinace všech snímků výrazně snížila variabilitu oproti měření z jednoho snímku a test-retest variabilita byla přibližně polovina lidské variability na různých ultrazvukových přístrojích, což dokazuje robustnost. Bayesovské věrohodné intervaly poskytují srozumitelnou interpretaci a zúžení s více daty. Výhody zahrnují škálovatelnost, možnost použití v reálném čase, opakovatelnost a kvantifikaci nejistoty. Omezení se týkají omezeného zastoupení abnormálních plodů, proměnlivého výkonu některých měření (například transcerebelární rozměr) a nejisté generalizace napříč ultrazvukovou technologií. Doporučuje se klinické zkoušky zaměřené na abnormality, aktualizace modelů v jednotlivých lokalitách a testování uživatelské přívětivosti zobrazení věrohodnostních intervalů.