Машиналық оқу технологияларын қолдану арқылы ана мен нәресте денсаулығы нәтижелерін жақсарту 1. Жүкті аралық қан кету (PPH) және қан Transфузиясын болжауда Машиналық Оқу Ahmadzia HK және басқалар (2024) Америка Құрама Штаттарындағы 12 ауруханада 185 000-нан астам босану деректерін пайдаланып, градиентті көтеру сияқты бірнеше ML моделін құрды. Бұл модельдер ≥1000 мл қан жоғалту және қан трансфузия қажеттілігін болжауға мүмкіндік берді. Градиентті көтеру басқа модельдерден жақсы нәтиже көрсетті (ROC-AUC 0. 833; PR-AUC 0. 210), антинатал және интранатал сипаттамаларды біріктіру кезінде. Негізгі көрсеткіштерге босану тәсілі, окситоцин мөлшері, туқымашыларды қолдану, анестезия медбикесінің қатысуы және hospital түрі жатады, олар клиникалық және жүйелік факторларды көрсетеді. Антинатал және интранатал деректерді біріктіру дәлдікті арттырса да, дәлдік әлі де орташа (~13%) болды, ал калибрация қисықтары тәуекелді жоғары бағалау туралы көрсетеді. Зерттеудің артықшылықтарына оның көпортальды ірі топтамасысы мен жүйе деңгейіндегі өзгермелі сипаттамалардың қосылуы жатады; кемшіліктері — деректердің ескі болуы (2002–2008), импутация әдістері және трансфузия шектерінің әртүрлі болуы, заманауи деректермен сыртқы валидация мен жекелеген топтағы әділдік аудитін қажет етеді, соның ішіндеRace, сақтандыру және аурухана сипаттамаларын ескеру. 2. ПДП-ны ML және Статистикалық Модельдер арқылы Ауруханада Енгізілген кезде болжау Venkatesh KK және басқа авторлар (2020) 152 279 босанудың деректерін пайдалана отырып, логистикалық регрессияның бірнеше түрі, кездейсоқ орман және XGBoost алгоритмдерін салыстырды. Ең жоғары нәтижеге XGBoost жетті (C-статистика 0. 93), ал кездейсоқ орман (0. 92) және логистикалық модельдер (0. 87) аз болды. Маңызды айнымалыларға жүкті болғызып алу алдындағы/әзірше қабылдау кезінде BMI, макросомия, өмірлік маңызды белгілер, еңбекке күш салу сынағы, жүктілік саны, анемия және табиғи жұмыс кіреді. ПДП жиілігі 4. 7–4. 8% аралығында болды, ал кесар тілігі кезінде тәуекел 15% дейін жоғарлады, ал табиғи босатуда 0. 6% шамасында, бұл сынып теңгерімсіздігін көрсетеді және шектерді нақтылау қажет екенін байқатады. Зерттеу уақытша және орындықты валидация және клиникалық тиімділікті бағалау үшін шешім-бағдарлы анализ жүргізді. Кемшіліктеріне ескірген деректер және қан жоғалту өлшеміндегі ықтимал қателер жатады. Ұсыныстар ретінде болашағы бар сыртқы валидация, калибрлеу, шешім қабылдау шегі мен әділдік аудитін жүргізу керек. 3. Аймақтық Мэрилендегі ауыршаң анамнездер (SMM) болжау және Әлеуеттілікті бағалау Li Q және басқа авторлар (2025) Мэриленд штатының 2016–2019 жылдар аралығында 261, 226 босануды қамтыған байланыстырылған аурухана әкімшілік деректері мен American Hospital Association мәліметтерін пайдаланып, SMM болжады және этникалық топтар, табыс деңгейі, сақтандыру түрі және тілді ескере отырып айырмашылықтарды зерттеді.

18 сипаттамадан тұратын LASSO моделдері AUC ~0. 80 нәтижесін көрсетті, ал логистикалық регрессиядан (AUC ~0. 69–0. 71) жоғары болды; дегенмен, SMM сирек кездесетіндіктен (10 000 босануға ~76 жағдай), есік астында қалған. Жоқ ететін, негра әйелдер (тәуекел коэффициенті ≈ 2), аз табысты тұрғындар, мемлекеттік сақтандырылушылар және шет тілді қолданушылар арасында тәуекел жоғары болды. Қосымша, трансфузияны ескермеген және сипаттамалар санын шектеу модельдің түсініктемелілігін және сәйкестігін арттырды, әрі ажыратқыштық сақтауға мүмкіндік берді. Зерттеудің артықшылықтары — ауқымды штаттық деректер жиынтығы мен нақты әділдік талдаулары. Кемшіліктері — төмен сезімталдық, географиялық шектеулер және трансфузияның SMM анықтамасына еместігі. Болашақта сынып тепе-теңдігін сақтау, шешім қабылдау шекарасын оңтайландыру және кең ауқымды тексеру жұмыстарын жүргізу маңызды. 4. Толық Ультрадыбыстық бейне арқылы 20 апталық нәресте биометриясын автоматтандырылған түрде анықтау Venturini L және басқа авторлар (2025) 20 апталық ультрадыбыс бейнежазбаларынан (7, 309 скан, оның ішінде 1, 457 тестілік скан, шамамен 48 миллион кадр) стандартты нәресте биометрияларын (бас айналу, екіжақты қыры, іш қуысының айналу, жамбас сүйек ұзындығы) автоматтандырылған AI жүйесімен құрастырды. Бұл жүйе нақты уақыт режимінде түсірілімнің құлақ айналасындағы және басқа биоалуантүрлілігін анықтайтын SonoNet моделін, әр кадр үшін U-Net үлгісін қолдануды, және бейне өлшемдерін жинақтап, шектеулерді жоюға көмектесетін Байесіш модельге негізделген. Бұл тәсіл операторлық қателерді азайтып, өлшемдердің нақты екенін арттырды. Машина мен маман қойған өлшемдердің арасындағы айырмашылықтар көбіне адам аралығын анықтау жиілігімен (~95%) сәйкес келді. Барлық кадрларды біріктіру арқылы вариация айтарлықтай төмендеп, тест–қайта тест нәтижелері әртүрлі ультрадыбыстық құрылғыларда адам өлшеміне жақын болды, жүйенің беріктігін көрсетеді. Байесіш кепілдік интервалдары интерпретацияға жеңіл және деректердің көбеюімен дәлдігі артады. Артықшылықтары — масштаб, нақты уақыттағы қолдану, қайталанушылық, алдаусыз анықтау тұрғысынан бағалау мүмкіндігі. Шектеулері — бұзылуы ықтимал нәрестелер үлесі, кейбір биометрия көрсеткіштерінің техникалық қиындықтары және түрлі ультрадыбыс технологиялары бойынша жалпыламдығының белгісіздігі. Ұсыныстар: бұзылыстары бар ауруларды қамтитын клиникалық сынақтар ұйымдастыру, орнындағы модельдерді жаңарту, және сенімділік интервалдарын көрсету бойынша қолданбалы тестілер жүргізу.