Sfruttare il Machine Learning per migliorare gli esiti della salute materno-infantile 1. Predizione di emorragia postpartum (PPH) e trasfusioni con il Machine Learning Ahmadzia HK et al. (2024) hanno sviluppato diversi modelli di ML, tra cui il gradient boosting, per predire la PPH (perdita di sangue ≥1000 mL) e le necessità di trasfusione, utilizzando dati di oltre 185. 000 nascite in 12 ospedali statunitensi (Consortium for Safe Labor). Il gradient boosting ha superato gli altri metodi (ROC-AUC 0, 833; PR-AUC 0, 210) combinando caratteristiche anteparto e intrapartum. I principali predittori sono stati il tipo di parto, la dose di ossitocina, l’uso ditocolitico, la presenza di infermieri anestesisti e il tipo di ospedale, evidenziando fattori clinici e sistemici. La combinazione di dati antepartum e intrapartum ha migliorato la precisione, anche se rimaneva modesta (~13%), con curve di calibrazione che segnalavano sovrastima del rischio. I punti di forza dello studio sono la grande coorte multicentrica e l’inclusione di variabili a livello sistemico; le limitazioni riguardano i dati più vecchi (2002–2008), le metodologie di imputazione e le soglie di trasfusione variabili, suggerendo la necessità di validazioni esterne su dataset attuali e verifiche di equità considerando race, assicurazione e caratteristiche ospedaliere. 2. Predizione della PPH al momento dell’ammissione mediante modelli ML e statistici Venkatesh KK et al. (2020) hanno confrontato varianti di regressione logistica, foresta casuale e XGBoost per predire la PPH usando dati di 152. 279 nascite (10 siti negli USA; 2002–2008). XGBoost ha ottenuto le migliori performance (C-statistica 0, 93), superando la foresta casuale (0, 92) e i modelli logistici (0, 87). Variabili importanti sono state BMI pre-gravidanza e in admission, macrosomia, segni vitali, tentativo di travaglio, numero di settimane di gestazione, anemia e travaglio spontaneo. L’incidenza di PPH variava dal 4, 7% al 4, 8%, con un rischio molto più alto (~15%) per le cesarei rispetto allo 0, 6% delle nascite vaginali, evidenziando un problema di sbilanciamento di classe e la necessità di soglie più raffinate. Lo studio ha usato validazioni temporali e per sito più analisi delle curve di decisione per valutare l’utilità clinica. Le limitazioni includono dati datati e possibili errori di misurazione della perdita ematica. Si raccomanda validazione prospettica esterna, ricalibrazione, ottimizzazione delle soglie decisionali e analisi di equità. 3. Predizione della morbilità materna grave (SMM) e analisi delle disuguaglianze in Maryland Li Q et al.

(2025) hanno usato dati collegati di amministrazione ospedaliera e dell’American Hospital Association, coprendo 261. 226 parti (2016–2019) in Maryland, per predire la SMM e analizzare differenze legate a razza, reddito, assicurazione e lingua. I modelli LASSO con 18 caratteristiche hanno raggiunto un AUC di circa 0, 80, migliori della regressione logistica (AUC circa 0, 69–0, 71); tuttavia, la sensibilità era bassa a causa della rarità della SMM (~76 casi ogni 10. 000 parti). Il rischio elevato di SMM è stato riscontrato tra donne non ispaniche nere (rapporto di rischio circa 2), residenti a basso reddito, con assicurazione pubblica e che non parlano inglese. L’uso di una definizione di SMM del CDC escludendo le trasfusioni, e la riduzione delle caratteristiche, hanno migliorato l’interpretabilità e la convergenza, mantenendo la discriminazione. Punti di forza sono grandi dati collegati a livello statale e analisi esplicite di equità. Le limitazioni includono bassa sensibilità, restrizione geografica e omissione delle trasfusioni nella definizione di SMM. Il lavoro futuro dovrebbe concentrarsi su strategie per trattare lo sbilanciamento di classe, analisi delle curve decisionali in relazione alle risorse e validazioni più ampie. 4. Biometria fetale automatizzata alla 20° settimana tramite scansioni ecografiche complete Venturini L et al. (2025) hanno introdotto una pipeline di intelligenza artificiale completamente automatizzata per stimare le misure biometriche standard del feto (circonferenza cranica, diametro biparietale, circonferenza addominale, lunghezza femore) analizzando ogni frame di video ecografici a 20 settimane dal dataset iFIND (7. 309 scansioni; 1. 457 test; circa 48 milioni di frame). Il sistema integra la classificazione in tempo reale dei piani (SonoNet), misurazioni frame per frame con U-Net e un modello bayesiano di miscelazione per aggregare le misure, rifiutare outlier e produrre intervalli di credibilità, riducendo al minimo i bias dell’operatore. Le differenze tra misure umane e automatiche si sono avvicinate all’inter-operator variability umana (~95% nei range). L’aggregazione di tutti i frame ha ridotto significativamente la variabilità rispetto alle stime basate su singolo frame, e la variabilità test–retest è circa la metà della variabilità umana su dispositivi diversi, dimostrando robustezza. Gli intervalli di credibilità bayesiani offrono stime interpretabili e si restringono con l’aumentare dei dati. Tra i punti di forza ci sono scala, applicazione in tempo reale, ripetibilità e quantificazione dell’incertezza. Le limitazioni riguardano la rappresentazione limitata di feti abnormalità, prestazioni variabili delle metriche (ad esempio diametro transcerebellare) e la generale applicabilità a diverse tecnologie ecografiche. Si consiglia di condurre trial clinici mirati a soggetti con patologie, aggiornamenti di modelli specifici per sito e test di usabilità per la visualizzazione degli intervalli di credibilità. Per approfondimenti sul precedente Research Roundup e gli ultimi aggiornamenti sulla salute digitale globale, seguire i link forniti.