Der Einsatz von maschinellem Lernen zur Verbesserung mütterlicher und fetaler Gesundheitsresultate 1. Vorhersage von postpartumen Blutungen (PPH) und Transfusionen mit maschinellem Lernen Ahmadzia HK et al. (2024) entwickelten mehrere ML-Modelle, darunter Gradient Boosting, um PPH (Blutverlust von ≥1000 mL) und Transfusionsbedarf anhand von Daten aus über 185. 000 Geburten in 12 US-Krankenhäusern (Consortium for Safe Labor) vorherzusagen. Das Gradient-Boosting-Modell schnitt am besten ab (ROC-AUC 0, 833; PR-AUC 0, 210), insbesondere bei Kombination von antepartum- und intrapartum-Parametern. Wichtigste Prädiktoren waren Geburtsmodus, Oxytocin-Dosis, Tocolytika-Einsatz, Anwesenheit einer Anästhesiekrankenschwester und Krankenhausart, was klinische und systemische Faktoren hervorhebt. Das Zusammenführen von antepartum- und intrapartum-Daten verbesserte die Genauigkeit, die Präzision blieb jedoch mäßig (~13%), und Kalibrierungskurven zeigten eine Risikoüberschätzung. Zu den Stärken der Studie zählen die große multizentrische Kohorte und die Einbeziehung systemischer Variablen; Einschränkungen bestehen im Alter der Daten (2002–2008), bei Imputationsmethoden und variierenden Transfusionsschwellen, was eine externe Validierung an aktuellen Datensätzen und eine Fairness-Prüfung unter Berücksichtigung von Rasse, Versicherung und Krankenhauscharakteristika notwendig macht. 2. Vorhersage von PPH bei Aufnahme mithilfe von ML- und statistischen Modellen Venkatesh KK et al. (2020) verglichen logistische Regressionsvarianten, Random Forest und XGBoost zur Vorhersage von PPH anhand von Daten aus 152. 279 Geburten (10 US-Standorte; 2002–2008). XGBoost erreichte die höchste Leistung (C-Statistik 0, 93), übertraf Random Forest (0, 92) und logistische Modelle (0, 87). Wesentliche Variablen waren präpräge-/Aufnahme-BMI, Makrosomie, Vitalparameter, Geburtsversuch, Schwangerschaftsnummer, Anämie und Spontangeburten. Die PPH-Inzidenz lag bei etwa 4, 7–4, 8 %, mit einem deutlich höheren Risiko von etwa 15 % bei Kaiserschnittgeburten versus ca. 0, 6 % bei vaginaler Geburt, was auf Klassenungleichgewicht hinweist und eine feinere Schwellenbestimmung nötig macht. Die Studie nutzte zeitliche und standortbezogene Validierung sowie Decision-Curve-Analysen zur Bewertung klinischer Nutzbarkeit. Einschränkungen sind das veraltete Datenmaterial und mögliche Messfehler bei Blutverlust. Empfehlungen umfassen eine prospective externe Validierung, Neukalibrierung, Optimierung der Entscheidungsschwelle und eine Fairness-Überprüfung. 3. Vorhersage schwerer maternaler Morbidität (SMM) und Analyse von Ungleichheiten in Maryland Li Q et al. (2025) verwendeten verknüpfte Krankenhauseinreichungs- und American Hospital Association-Daten für 261. 226 Geburten (2016–2019) in Maryland, um SMM vorherzusagen und Ungleichheiten nach Rasse, Einkommen, Versicherung und Sprache zu untersuchen. LASSO-Modelle mit 18 Variablen erzielten eine AUC von etwa 0, 80 und übertrafen die logistische Regression (AUC ca. 0, 69–0, 71); die Sensitivität war jedoch niedrig, da SMM selten vorkam (~76 Fälle pro 10. 000 Geburten).

Erhöhtes Risiko für SMM bestand bei nicht-hispanisch schwarzen Frauen (Risikoverhältnis ca. 2), bei einkommensschwachen Bewohnern, öffentlich Versicherten und Nicht-Englischsprechenden. Mit einer CDC-Definition für SMM, die Transfusion ausschloss, und einer Begrenzung auf wenige Variablen wurde die Nachvollziehbarkeit und Konvergenz verbessert, ohne die Diskriminierung zu beeinträchtigen. Zu den Stärken gehören die große, landesweit verknüpfte Datenbasis und die explizite Analyse von Ungleichheiten. Einschränkungen sind eine niedrige Sensitivität, räumliche Restriktion und der Ausschluss von Transfusionen aus der SMM-Definition. Für zukünftige Arbeiten sind Strategien zur Bewältigung des Klassenungleichgewichts, Decision-Curve-Analysen zur Ressourcenallokation und eine breitere Validierung notwendig. 4. Automatisierte 20-Wochen-Fetenbiometrie aus vollständigen Ultraschallaufnahmen Venturini L et al. (2025) präsentierten eine vollständig automatisierte KI-Pipeline zur Schätzung standardisierter fetaler biometrischer Maße (Kopf-Umfang, biparietaler Durchmesser, abdominaler Umfang, Femur-Länge) durch Analyse jeder Bildphase von 20-Wochen-Ultraschallvideos aus dem iFIND-Datensatz (7. 309 Aufnahmen; 1. 457 Testaufnahmen, ca. 48 Millionen Frames). Das System integriert eine Echtzeit-Planes-Klassifikation (SonoNet), U-Net-Measurement pro Frame und ein Bayesianisches Mischmodell, um Messungen zusammenzufassen, Ausreißer auszusondern und glaubwürdige Intervalle zu erstellen, wodurch Operatoren-Bias minimiert wird. Die Unterschiede zwischen maschinellen und menschlichen Messungen stimmen eng mit der inter-observatorischen Variabilität (ca. 95 % innerhalb des Bereichs) für die meisten Maße überein. Die Aggregation aller Frames reduziert die Variabilität im Vergleich zu Einzelaufnahmen erheblich, und die Test-Retest-Variabilität ist etwa halb so groß wie die menschliche bei verschiedenen Ultraschallgeräten, was die Robustheit zeigt. Bayesianische Glaubwürdigkeitsintervalle bieten interpretierbares Vertrauen und werden bei mehr Daten enger. Zu den Stärken zählen die Skalierbarkeit, Echtzeitanwendung, Wiederholbarkeit und Unsicherheitsquantifizierung. Einschränkungen bestehen in der begrenzten Repräsentation abnormaler Föten, variabler Leistungsfähigkeit bei einzelnen Maßen (z. B. Transcerebellarer Durchmesser) sowie Unsicherheiten bezüglich der Übertragbarkeit auf andere Ultraschalltechnologien. Empfehlungen umfassen klinische Studien mit Fokus auf Anomalien, herstellerspezifische Modell-Anpassungen und Usability-Tests für die Anzeige von Konfidenzintervallen.