Naudojant mašininio mokymosi metodus gerinti motinystės ir vaisiaus sveikatos rezultatus 1. Po gimdymo kraujosruvos (PPH) ir kraujo transfuzijos prognozavimas naudojant mašininio mokymosi metodus Ahmadzia HK ir kt. (2024) sukūrė kelis mašininio mokymosi modelius, įskaitant gradient boosting, siekiant prognozuoti PPH (≥1000 mL kraujo netekimas) ir transfuzijos poreikį, naudojant duomenis iš daugiau nei 185 000 gimdymų dvylikoje JAV ligoninių (Safe Labor konsorciumas). Gradient boosting modelis geriausiai atitiko kitus (ROC-AUC 0, 833; PR-AUC 0, 210), kai buvo sujungti antepartuminiai ir intrapartuminiai bruožai. Svarbiausi prognozės veiksniai buvo gimimo būdas, oksitocino dozė, tokolizinio gydymo taikymas, anesteziologės prisilietimas ir ligoninės tipas, pabrėžiant klinikinius ir sisteminius veiksnius. Nors duomenų sujungimas padidino tikslumą, preciziškumas išliko santykinai žemas (~13%), o kalibracijos kreivės rodė, kad rizika yra pervertinama. Tyrimo stiprybės – didelė daugelio centrų kohorta ir sisteminio lygmens veiksnių įtraukimas; trūkumai – pasenę duomenys (2002–2008 m. ), imputacijos metodai ir skirtingi transfuzijos slenksčiai, kurie rodo, kad būtina išorinė šiuolaikinių duomenų patvirtinimas bei sąžiningumo patikrinimas, įskaitant rasės, draudimo ir ligoninių charakteristikas. 2. Prognozės PPH tiesioginio priėmimo metu naudojant mašininio mokymosi ir statistinius metodus Venkatesh KK ir kt. (2020) lygino logistinio regresijos variantus, atsitiktinių miškų ir XGBoost modelius, siekiant prognozuoti PPH pagal duomenis iš 152 279 gimdymų (10 JAV vietovių, 2002–2008 m). Geriausiai veikė XGBoost (C-statistika 0, 93), pranokdamas atsitiktinių miškų (0, 92) ir logistinius modelius (0, 87). Svarbūs veiksniai buvo nėštumo pradžioje/prie įrašymo nustatyta kūno masės indeksas, makrostrijų atsiradimas, gyvybingumo rodikliai, darbo bandymas, gimdymo trukmė, anemia ir spontaninio darbo pradžia. PPH dažnis siekė 4, 7–4, 8%, o cezario pjūvių atveju rizika buvo kelis kartus didesnė (~15%) nei natūraliame gimdyme (~0, 6%), pabrėžiant klasės nusinešimą ir poreikį patobulinti slenkčius. Tyrimas taikė laiko ir vietos patvirtinimą bei sprendimų kreivės analizę klinikiniam naudingumui įvertinti. Trūkumai – pasenę duomenys ir galimos klaidos kraujo netekimo matavime. Rekomendacijos – būsimi išoriniai patvirtinimai, kalibravimo atnaujinimas, sprendimų slenčių optimizavimas ir teisingumo vertinimas. 3. Sunkių motinos sveikatos sutrikimų (SMM) prognozavimas ir nelygybių vertinimas Merilande Li Q ir kt.

(2025) naudojo susietus ligoninių administracinius ir Amerikos ligoninių asociacijos duomenis, apimančius 261 226 gimdymus (2016–2019) Merilande, siekiant prognozuoti SMM ir analizuoti nelygybes pagal rasę, pajamas, draudimą ir kalbą. LASSO modeliai su 18 veiksnių pasiekė AUC ~0, 80, pranokdami logistinius modelius (~0, 69–0, 71), tačiau atgavimo rodiklis buvo žemas dėl SMM retumo (~76 atvejai iš 10 000 gimdymų). Didės rizikos grupės – neispaniškoji juodaodės moterys (rizikos santykis ≈ 2), žemo išsilavinimo gyventojai, viešai drausti ir nemokančios kalbos. Naudojant CDC SMM apibrėžimą, išskyrus transfuziją, ir apribojus veiksnius, pagerėjo interpretacija ir konvergencija, išlaikant diskriminaciją. Pagrindinės stiprybės – dideli duomenų kiekiai, susieti visoje valstijoje, ir aiškios nelygybių analizės. Trūkumai – mažas jautrumas atpažįstant atvejus, geografinė aprėptis ir transfuzijos nepaisymas SMM apibrėžime. Ateities veikla turėtų apimti klasės disbalanso valdymą, sprendimų kreivės analizę resursų paskirstymui ir platesnius patvirtinimus. 4. Automatizuotas 20 savaičių vaisiaus biometrijos matavimas iš visas ultragarsų nuotraukas Venturini L ir kt. (2025) pristatė visiškai automatizuotą dirbtinio intelekto sistemą, skirtą standartiniams vaisiaus matavimams (galvos apimtis, biparietinis skersmuo, pilvo apimtis, šlaunikaulio ilgis) įvertinti analizuojant kiekvieną 20 savaičių ultragarsų vaizdo rėmelį iš iFIND duomenų rinkinio (7 309 šnipinėjimai; 1 457 bandymų, apie 48 milijonai kadrų). Sistema integruoja realaus laiko plokštumos klasifikaciją (SonoNet), kiekvieno rėmelio U-Net matavimus ir Bayeso mišraus modelio agregavimą, kuris atmeta anomalijas ir pateikia patikimus intervalus, sumažindamas operatoriaus įtaką. Mašininio ir žmogiško matavimo skirtumai buvo artimi svarbiausiam žmogaus tarpinio stebėtojo regimei (~95% matavimų buvo tarp intervalų). Visų kadrų sujungimas gerokai sumažino variabilumą, palyginti su vieno kadro matavimais, o pakartotinio matavimo svyravimai buvo apie pusė žmogaus variabilumo skirtinguose ultragarsų įrenginiuose, kas patvirtina sistemos patikimumą. Bayeso patikimi intervalai suteikia paaiškinamą pasitikėjimą ir siaurėja su duomenų daugėjimu. Pagrindiniai privalumai – mastelis, realaus laiko taikymas, pakartojamumas ir neapibrėžtumo įvertinimas. Trūkumai – ribotas anomalijų vaisiaus atvejų pavaizdavimas, skirtingas matavimų tikslumas (pvz. , transcerebelinis skersmuo) ir neaiškus taikymas skirtingose ultragarso technologijose. Rekomendacijos – klinikiniai tyrimai, kuriuose gausu anomalijų, vietos specifiniai modelių atnaujinimai ir naudotojų patikimumo testavimai rodant patikimų intervalų sklaidas. Jeigu norite daugiau apie ankstesnius mokslinius apžvalginius straipsnius ar naujausius pasaulinius skaitmeninės sveikatos ryšius, sekite nurodytus nuorodas.