Memanfaatkan Pembelajaran Mesin untuk Meningkatkan Hasil Kesehatan Ibu dan Janin 1. Prediksi Hemoragie Postpartum (PPH) dan Transfusi Darah Menggunakan Pembelajaran Mesin Ahmadzia HK et al. (2024) mengembangkan beberapa model ML, termasuk gradient boosting, untuk memprediksi PPH (kerugian darah ≥1000 mL) dan kebutuhan transfusi darah menggunakan data dari lebih dari 185. 000 kelahiran di 12 rumah sakit di AS (Konsorsium untuk Persalinan Aman). Gradient boosting menunjukkan performa terbaik dibandingkan yang lain (ROC-AUC 0, 833; PR-AUC 0, 210) saat menggabungkan fitur antepartum dan intrapartum. Prediktor utama meliputi metode persalinan, dosis oksitosin, penggunaan tocolytic, kehadiran perawat anestesi, dan jenis rumah sakit, menyoroti faktor klinis dan sistem. Meskipun penggabungan data antepartum dan intrapartum meningkatkan akurasi, presisi tetap modest (~13%), dan kurva kalibrasi menunjukkan risiko yang overestimasi. Kelebihan studi ini adalah kohor multicenter yang besar dan inclusion variabel tingkat sistem; keterbatasan meliputi data lama (2002–2008), metode imputasi, dan ambang transfusi yang berbeda-beda, sehingga diperlukan validasi eksternal pada dataset kontemporer dan audit keadilan terkait ras, asuransi, dan karakteristik rumah sakit. 2. Prediksi PPH Saat Penerimaan Menggunakan Model ML dan Statistik Venkatesh KK et al. (2020) membandingkan variasi regresi logistik, forest acak, dan XGBoost untuk memprediksi PPH menggunakan data dari 152. 279 kelahiran (10 lokasi di AS; 2002–2008). XGBoost mencapai performa tertinggi (C-statistic 0, 93), mengungguli forest acak (0, 92) dan model regresi logistik (0, 87). Variabel penting termasuk BMI sebelum kehamilan/pada saat masuk, makrosomia, tanda vital, percobaan persalinan, jumlah kehamilan, anemia, dan persalinan spontan. Insiden PPH berkisar antara 4, 7–4, 8%, dengan risiko yang secara signifikan lebih tinggi (~15%) pada persalinan dengan operasi caesar dibandingkan sekitar 0, 6% pada persalinan normal, menekankan ketidakseimbangan kelas dan perlunya penyesuaian ambang. Studi ini memakai validasi waktu dan lokasi serta analisis kurva keputusan untuk menilai manfaat klinis. Keterbatasannya meliputi data usang dan potensi kesalahan pengukuran perdarahan. Rekomendasi meliputi validasi eksternal prospektif, recalibrasi, optimalisasi ambang keputusan, dan audit keadilan. 3. Prediksi Morbidity Maternal Berat (SMM) dan Menilai Ketidaksetaraan di Maryland Li Q et al.

(2025) menggunakan data gabungan administrasi rumah sakit dan data dari American Hospital Association mencakup 261. 226 kelahiran (2016–2019) di Maryland untuk memproyeksikan SMM dan mengkaji disparitas berdasarkan ras, pendapatan, asuransi, dan bahasa. Model LASSO dengan 18 fitur mencapai AUC sekitar 0, 80, lebih baik dari regresi logistik (AUC sekitar 0, 69–0, 71); namun, sensitivitas rendah karena jarangnya SMM (~76 kasus per 10. 000 kelahiran). Risiko SMM yang tinggi ditemukan pada wanita kulit Hitam non-Hispanik (rasio risiko ≈ 2), penduduk berpenghasilan rendah, yang diasuransikan pemerintah, dan penutur non-Inggris. Menggunakan definisi SMM CDC yang mengecualikan transfusi dan membatasi fitur meningkatkan interpretabilitas dan konvergensi sambil tetap mempertahankan diskriminasi. Kelebihan termasuk data besar yang terhubung di seluruh negara bagian dan analisis keadilan secara eksplisit. Keterbatasan meliputi sensitivitas rendah untuk deteksi kasus, batasan geografis, dan penghilangan transfusi dari definisi SMM. Penelitian selanjutnya harus fokus pada strategi mengatasi ketidakseimbangan kelas, analisis kurva keputusan yang selaras dengan alokasi sumber daya, dan validasi yang lebih luas. 4. Biometri Janin Otomatis pada 20 Minggu dari Pemindaian Ultrasonografi Penuh Venturini L et al. (2025) memperkenalkan pipeline AI otomatis sepenuhnya untuk memperkirakan ukuran biometri standar janin (lingkar kepala, diameter biparietal, lingkar abdomen, panjang femur) dengan menganalisis setiap frame video ultrasonografi 20 minggu dari dataset iFIND (7. 309 pemindaian; 1. 457 pemindaian uji, sekitar 48 juta frame). Sistem ini mengintegrasikan klasifikasi bidang secara real-time (SonoNet), pengukuran menggunakan U-Net per frame, dan model campuran Bayesian untuk menggabungkan pengukuran, menolak outlier, dan menghasilkan interval kepercayaan, sehingga meminimalkan bias operator. Perbedaan pengukuran manusia dan mesin sesuai dengan variabilitas antar-observer manusia (~95% dalam rentang) untuk sebagian besar metrik. Penggabungan semua frame secara signifikan mengurangi variabilitas dibandingkan estimasi dari satu frame, dan variabilitas uji–ulang sekitar setengah dari variabilitas manusia pada perangkat US yang berbeda, menunjukkan ketahanan. Interval kepercayaan Bayesian memberikan kepercayaan yang dapat diinterpretasikan dan menjadi lebih ketat dengan data lebih banyak. Kelebihan termasuk skala, penggunaan waktu nyata, konsistensi, dan kuantifikasi ketidaktentuan. Keterbatasan meliputi representasi janin abnormal yang terbatas, performa metrik yang bervariasi (misalnya, diameter transcerebellar), dan ketidakpastian generalisasi lintas teknologi ultrasonografi. Rekomendasi meliputi uji klinis yang diperkaya untuk abnormalitas, pembaruan model berdasarkan lokasi, dan pengujian kegunaan untuk tampilan interval kepercayaan. Untuk rangkuman riset sebelumnya dan pembaruan terbaru dalam kesehatan digital global, silakan ikuti tautan yang disediakan.