Користење на машинско учење за подобрување на здравствените резултати кај мајките и плодот 1. Предвидување на постпартална хеморагија (PPH) и трансфузија користејќи машинско учење Ахмадзија ХК и соработници (2024) развија повеќе модели на машинско учење, вклучително и градиентно засилување, за предвидување на PPH (загуба на крв од минимум 1000 mL) и потреба од трансфузија, користејќи податки од над 185. 000 породувања во 12 болници во САД (Конзорциум за безбедно раѓање). Градиентното засилување се покажа како најдобро (ROC-AUC 0. 833; PR-AUC 0. 210) кога се комбинираа предвидувачите од пред породувањето и во текот на породувањето. Клучни предвидувачи беа начин на породување, доза на окситоцин, употреба наtocolytics, присуство на анестезиолог, и типот на болница, што ги истакнува клиничките и системските фактори. И покрај тоа што комбинирањето на податоците од пред и за време на породувањето ја подобри точноста, прецизноста остана умерена (~13%), а калибрационите криви покажаа пренагласување на ризикот. Предностите на студијата се големата многусистемска кохорта и вклучувањето на системски фактори; ограничувањата се однесуваат на постарите податоци (2002–2008), методите за пополнување на податоци, и различните прагови за трансфузија, што укажува на потреба од надворешна валидација со современи податоци и проверки за правда врз основа на раса, здравствено осигурување и карактеристики на болниците. 2. Предвидување на PPH при прием користејќи машинско учење и статистички модели Венкатеш КК и соработници (2020) спореди варијанти на логистичка регресија, случаен шум и XGBoost за предвидување на PPH со податоци од 152. 279 породувања на 10 локации во САД (2002–2008). XGBoost постигна највисока изведба (C-статистика 0. 93), надминувајќи ги случајниот шум (0. 92) и логистичките модели (0. 87). Важни променливи беа претходниот и приемниот BMI, макросомија, витални знаци, трудов проби, број на гестази, анемија, и спонтано породување. Учестаноста на PPH се движеше од 4. 7 до 4. 8%, со значително повисок ризик од околу 15% во царските резекции во споредба со околу 0. 6% при вагинално породување, што ја истакнува класификациската нееднаквост и потребата од подобрени прагови. Студијата вклучуваше временска и локациска валидација и анализа со одлука за клиничка практичност. Ограничувањата се однесуваат на застарени податоци и можни грешки во мерењето на загубата на крв. Препораките се насочени кон проѕирна надворешна валидација, рекалибрација, оптимизација на прагови и проверка на правдата. 3. Предвидување на сериозна мајчинска болест (SMM) и анализирање на нееднаквости во Мериленд Ли Q и соработници (2025) користејќи поврзани податоци од болнички административни податоци и податоци од Американската болничка асоцијација на 261. 226 породувања (2016–2019) во Мериленд, предвидуваа SMM и ги испитуваа разликите според раса, приход, осигурување и јазик.

LASSO моделите со 18 променливи достигнаа AUC околу 0. 80, подобро од логистичките модели (AUC околу 0. 69–0. 71). Иако нивната чувствителност беше ниска поради реткоста на SMM (~76 случаи на 10. 000 породувања), покачен ризик имаше кај неиспаднати црна жена (однос на ризик ≈ 2), нискоинкамните, со јавна осигурување, и говоречки неруски. Со употреба на дефиницијата за SMM од CDC (исклучувајќи трансфузија) и ограничување на променливите, се подобрија интерпретабилноста и конвергенцијата без да се загуби дискриминацијата. Предностите се големи податоци од целата држава и анализа на еднаквост, додека ограничувањата вклучуваат ниска чувствителност, географски ограничена база и исклучување на трансфузијата од дефиницијата за SMM. Идните истражувања треба да се фокусираат на стратегии за нееднаквост, анализа според ресурси, и поширока валидација. 4. Автоматизирана 20-неделна фетална биометрија преку целосни ултразвучни снимања Вентурини Л и соработници (2025) развија целосно автоматизиран AI систем за оценка на стандардните фетални мерки (обиколник на глава, biparietal diameter, абдоминален обем, должина на femur) преку анализа на секој кадар од ултразвучни видеа со 20 недели од датотеката iFIND (7. 309 снимања; 1. 457 тестни, околу 48 милиони кадри). Системот користи реално време класификација на рамнината (SonoNet), мерење со U-Net за секој кадар и Бејesian модел за комбинирање на мерењата, отфрлање на аутлери и издавање на доверливи интервали, што ја минимизира улутската пристрасност. Разликите меѓу машината и човекот во мерењето се совпаѓаа со варијабилноста меѓу луѓето (~95% во рамките). Комбинирањето на сите кадри значително ја намали варијабилноста во споредба со едно кадарно мерење, а повторното мерење беше приближно половина од варијабилноста кај различни ултразвучни уреди, покажувајќи ја неговата робусност. Бејзиски интервали даваат интерпретабилна доверба и се доближуваат со повеќе податоци. Предностите вклучуваат голем обем, реална времетрајност, репетабилност и квантитативна проценка на нејзината сигурност. Ограничувањата се однесуваат на мал број на абнормални плодови, варијабилност во перформансите на одредени мерења (на пример, трансцеребеларен дијаметар), и ограничена комплексност за различни ултразвучни технологии. Препораките вклучуваат клинички испитувања за плодови со абнормалности, прилагодување на моделите за одредени локации и тестирање на практичноста за прикажување на доверливи интервали. За претходни кратки осврти во истражувања и најнови ажурирања на глобалната дигитална здравствена политика, следете ги дадените врски.