Udnyttelse af maskinlæring til forbedring af mødre- og fosterhelbremæssige resultater 1. Forudsigelse af postpartum blødning (PPH) og blodtransfusion ved hjælp af maskinlæring Ahmadzia HK m. fl. (2024) udviklede flere ML-modeller, herunder gradient boosting, til at forudsige PPH (≥1000 mL blodtab) og behov for blodtransfusion baseret på data fra over 185. 000 fødsler på 12 amerikanske hospitaler (Consortium for Safe Labor). Gradient boosting overgik de øvrige modeller (ROC-AUC 0, 833; PR-AUC 0, 210), når der blev kombineret antepartum- og intrapartum-funktioner. Vigtige forudsigere omfattede fødselsmetode, oxytocindosis, brug af tocolytika, tilstedeværelse af anæskesygeplejerske og hospitalskategori, hvilket fremhæver kliniske og systemrelaterede faktorer. Selvom kombinationen af antepartum- og intrapartumdata forbedrede præcisionen, var den stadig moderat (~13%), og kalibreringskurver viste en tendens til risikooverskønning. Studiets styrker er dets store multicenterkohorte og inddragelse af systemniveauvariabler; begrænsninger inkluderer ældre data (2002–2008), imputationsmetoder og varierende transfusionsgrænser, hvilket peger på behovet for ekstern validering på aktuelle datasæt og fairnessgennemgange, der tager højde for race, forsikring og hospitalskarakteristika. 2. Forudsigelse af PPH ved ankomst ved hjælp af ML og statistiske modeller Venkatesh KK m. fl. (2020) sammenlignede logistisk regressionsvarianter, random forest og XGBoost for at forudsige PPH baseret på data fra 152. 279 fødsler (10 amerikanske steder; 2002–2008). XGBoost opnåede den bedste præstation (C-statistik 0, 93), hvilket overgik random forest (0, 92) og logistiske modeller (0, 87). Vigtige variable inkluderede præ-graviditets-/indlæggelses-BMI, makrosomi, vitale tegn, forsøg på fødsel, graviditetsnummer, anæmi og spontan fødsel. Incidensen af PPH var 4, 7–4, 8%, med en markant højere risiko på omkring 15% ved kejsersnit kontra ca. 0, 6% ved vaginal fødsel, hvilket understreger klasseubalancen og behovet for finjustering af tærskler. Studiet anvendte tids- og stikvalidering samt beslutningskurveanalyse for at vurdere klinisk anvendelighed. Begrænsninger inkludererældne data og potentielle målefejl i blodtab. Anbefalingerne inkluderer ekstern validering, recalibrering, optimering af beslutningstrin og retfærdighedsgennemgang. 3. Forudsigelse af svær akut maternel sygdom (SMM) og vurdering af uligheder i Maryland Li Q m. fl. (2025) anvendte koblede data fra hospitalsadministration og American Hospital Association, der dækkede 261. 226 fødsler i Maryland (2016–2019), til at forudsige SMM og undersøge forskelle baseret på race, indkomst, forsikring og sprog. LASSO-modeller med 18 variabler opnåede en AUC på ca. 0, 80, hvilket var bedre end logistiske regressionsmodeller (AUC ca.

0, 69–0, 71); dog var sensitiviteten lav pga. den lave forekomst af SMM (omkring 76 tilfælde pr. 10. 000 fødsler). Højere SMM-risiko blev fundet blandt ikke-hispanske sorte kvinder (risikoratio ca. 2), lavindkomstborger, offentligt forsikrede og ikke-engelsktalende. Ved brug af CDC’s SMM-definition, der udelod transfusion, og med begrænsning til de udvalgte funktioner, blev modellens fortolkelighed og konvergens forbedret, samtidig med at den stadig kunne skelne effektivt. Styrker er de store koblede datamængder på statsligt plan og eksplicitte analyser af lighed. Begrænsninger omfatter lav følsomhed for case-registrering, geografisk begrænsning og udeladelse af transfusion i definitionen. Fremtidig forskning bør fokusere på metoder til håndtering af klasseubalancer, beslutningskurveanalyser i forhold til ressourcefordeling og bredere validering. 4. Automatisk 20-ugers fosterbiometrimåling baseret på fulde ultralydundersøgelser Venturini L m. fl. (2025) introducerede en fuldt automatiseret AI-arbejdsgang til at estimere standardfosterbiometriske målinger (hovedomkreds, biparietaldiameter, abdomenomkreds, femur længde) ved at analysere alle billeder i 20-ugers ultralydvideoer fra iFIND-datasættet (7. 309 scanninger; 1. 457 testscanninger, ca. 48 millioner billeder). Systemet integrerer realtids planeklassifikation (SonoNet), per-frame U-Net-måling og en Bayesian blandingsmodel til at sammenfatte målinger, afvise outliers og generere tillidsintervaller, hvilket minimerer operatøroverskyld. Målingernes afvigelser mellem maskine og menneske stemte tæt overens med menneskets inter-observatør-variabilitet (~95% inden for intervallet) for de fleste parametre. Sammenlægning af alle billeder reducerede væsentligt variabiliteten i forhold til enkeltbillede-estimater, og test–retest-variabiliteten var omtrent halvdelen af den menneskelige variation på tværs af forskellige ultralydapparater, hvilket demonstrerer robusthed. Bayesian-tillidsintervaller giver fortolkelig konfidens og bliver smallere med mere data. Styrker omfatter skala, realtidsfunktion, repeterbarhed og usikkerhedsvurdering. Begrænsninger inkluderer begrænset repræsentation af misdannede fostre, variabel ydeevne for visse mål (fx transcerebellar diameter) og usikkerhed omkring generel anvendelighed på tværs af ultralydsteknologier. Anbefalinger omfatter kliniske forsøg med flere abnormiteter, opdatering af modeller til specifikke klinikker og brugertests af visning af tillidsintervaller. For tidligere Research Roundups og de nyeste opdateringer inden for global digital sundhed, følg venligst de angivne links.