A gépi tanulás kihasználása az anyai és magzati egészségügyi eredmények javítására 1. Postpartum vérzés (PPH) és vérátömlesztés előrejelzése gépi tanulással Ahmadzia HK és munkatársai (2024) több ML-modellt fejlesztettek ki, köztük gradiens boostolást, a PPH (≥1000 ml vérveszteség) és vérátömlesztési igény előrejelzésére, az Egyesült Államok 12 kórházában összegyűjtött több mint 185 000 szülés adatai alapján (Consortium for Safe Labor). A gradiens boostolás felülmúlta a többi módszert (ROC-AUC 0, 833; PR-AUC 0, 210), különösen az antepartum és intrapartum jellemzők kombinálásakor. Kulcsfontosságú előrejelzők voltak a szülés módja, oxitocin dózisa, tocolyticák alkalmazása, érzéstelenítést végző nővér jelenléte és a kórház típusa, hangsúlyozva a klinikai és rendszer szintű tényezőket. Bár az antepartum és intrapartum adatok együttes felhasználása javította a pontosságot, a predikció precizitása szerény maradt (~13%), a kalibrációs görbék pedig a túlbecslést jelezték. A tanulmány erőssége a nagy multicentrikus kohort és a rendszer szintű változók alkalmazása; korlátai közé tartozik az adatok korábbi időszaka (2002–2008), imputációs módszerek, valamint a vérátömlesztés küszöbértékének változása, ezért külső validációra és a különböző rasszokra, biztosítási típusokra, kórháztípusokra vonatkozó méltányossági auditokra van szükség a legújabb adathalmazokon. 2. PPH előrejelzése belépéskori adatok alapján ML és statisztikai modellekkel Venkatesh KK és munkatársai (2020) összehasonlították a logisztikus regresszió variánsait, a random forestet és az XGBoost-ot PPH előrejelzésére 152 279 szülés adatával (10 amerikai helyszín, 2002–2008). Az XGBoost érte el a legjobb teljesítményt (C-statisztika 0, 93), felülmúlva a random forestet (0, 92) és a logisztikus modelleket (0, 87). Jelentős változók voltak a pre-pregnancy/beutazási BMI, makrosomia, életjelek, szülési próbálkozás, terhességi szám, vérszegénység és a spontán szülés. A PPH előfordulási aránya 4, 7–4, 8%, és különösen magas (~15%) volt a császármetszéseknél a vágányos szülésekkel (~0, 6%) szemben, ami az osztálykiegyenlítetlenség mellett a küszöbérték finomhangolásának szükségességét hangsúlyozza. A tanulmány időbeli és helyszíni validálást, valamint döntési görbe elemzést alkalmazott klinikai hasznosság értékelésére. Korlátai közé tartozik az elavult adatok és vérveszteség mérésének esetleges hibái. Ajánlások között szerepel a jövőbeni külső validáció, újrakalibrálás, döntési küszöbök optimalizálása és az egyenlőség vizsgálata. 3. Súlyos anyai morbiditás (SMM) előrejelzése Marylandben és az egyenlőtlenségek vizsgálata Li Q és munkatársai (2025) összekapcsolt kórházi adminisztratív adatokkal és az Amerikai Kórházi Szövetség adataival 261 226 szülést vizsgáltak Marylandben (2016–2019), hogy előre jelezzék az SMM-t és feltárják a rassz, jövedelem, biztosítás, nyelv szerinti különbségeket. 18 jellemzőt tartalmazó LASSO modellek elérték az ~0, 80-as AUC-t, felülmúlva a logisztikus regressziót (AUC ~0, 69–0, 71); ugyanakkor a felidézhetőség alacsony volt az SMM ritkasága miatt (~76 eset 10 000 szülésenként). Megfigyelték, hogy a nem-Hispanic fekete nők körében kétszeres a kockázat, a kedvezőtlen jövedelmi helyzetűek, nyíltan biztosítottak és nem angolul beszélő nők körében is magasabb a kockázat.

Egy CDC által meghatározott SMM definíció alkalmazásával, ami kizárta a vérátömlesztést, javult az értelmezhetőség és a konvergencia, miközben a diszkrimináció továbbra is megőrződött. Erősségek közé tartozik a nagy kiterjedésű, államilag összekapcsolt adatok és az egyenlőségi elemzések. Korlátként jelezték az alacsony érzékenységet, a földrajzi korlátozottságot és a vérátömlesztés kihagyását a definícióból. A jövőbeni kutatásoknak érdemes a klasszimből (osztálykiegyenlítésből) fakadó problémák, döntési görbe elemzések és a széleskörű érvényesítés felé mozdulni. 4. Automatikus 20 hetes magzati biometriai mérések ultrahangfelvételekből Venturini L és munkatársai (2025) által bemutatott teljes mértékben automatizált AI rendszer a 20 hetes ultrahangfelvételeken standard magzati mérési paraméterek (fejkörfogat, kétüregi sugár, hasi körfogat, combcsont hossza) megállapítására. Az adatok az iFIND adatbázisból származnak (7 309 vizsgálat; 1 457 teszt, összesen kb. 48 millió kép). A rendszer valós idejű sík felismerést (SonoNet), egy keretenkénti U-Net mérőmodellt, valamint egy Bayes-i keverék modellt alkalmaz, hogy aggregálja a méréseket, kizárja a kiugrókat és hiteles intervallumokat állítson elő, minimalizálva a műszaki beavatkozásból adódó torzítást. A gép és ember által mért értékek között szoros összhang mutatkozott a legtöbb mérés esetében (~95% a vékonyabb és vastagabb tartományon belül). A képek összegzése jelentősen csökkentette a variabilitást az egyedi képalkotási eszközökön mért adatokhoz képest, és a teszt–újrapróbálás eredménye kb. fele volt az emberi mérési eltéréseknek, bizonyítva a rendszer robusztusságát. A Bayes-i hiteles intervallumok értelmezhető megbízhatóságot nyújtanak, és a rendelkezésre álló adatmennyiség növekedésével szűkülnek. Erősségek között szerepel a nagyságrend, a valós idejű alkalmazhatóság, a megismételhetőség és a bizonytalanság kvantifikálása. Korlátok közé tartozik a ritka rendellenes magzatok alulreprezentáltsága, a mérőszámok különböző teljesítménye (például a transcerebelláris sugár), valamint az általános átültethetőség az ultrahang technológiák között. Javaslatként klinikai vizsgálatok, ahol a rendellenességek gyakoribbak, helyi modellfrissítések, valamint a megbízhatósági intervallumok megjelenítésének használhatósági tesztelése javasolt.