मशीन लर्निंगचा अवलंब करून मातृ आणि भ्रूण स्वास्थ्य परिणाम सुधारणा १. प्रसुतीनंतर होणाऱ्या जामीन (PPH) व ट्रान्सफ्यूजनची भविष्यवाणी मशीन लर्निंगच्या साहाय्याने अहмадझिया HK इत्यादींनी (२०२४) अनेक ML मॉडेल्स तयार केली, ज्यात ग्रेडिएंट बूस्टिंगही समाविष्ट आहे, यांचा वापर PPH (रक्तस्त्राव ≥१००० मि. ली. ) आणि रक्त ट्रान्सफ्यूजनची गरज यांची अचूकता पूर्वकल्पना करण्यासाठी १२ अमेरिकन रुग्णालयांमधील १८५, ००० पेक्षा अधिक जन्मांवरील डेटाचा आधार घेऊन. ग्रेडिएंट बूस्टिंग इतरांपेक्षा अधिक कार्यक्षम ठरले (ROC-AUC 0. 833; PR-AUC 0. 210) जेंव्हा गर्भधारणेपूर्वी व प्रसूतीदरम्यानची वैशिष्ट्ये एकत्र केली गेली. महत्त्वाच्या निदानकारकांमध्ये जन्म पद्धत, ऑक्सिटोसिनची मात्रा, टोकोलिटिक वापर, anesthesia रुग्णसेवा, व रुग्णालयाचा प्रकार यांचा समावेश होता, जे क्लिनिकल व प्रणालीगत घटकांना उजाळा देतात. गर्भधारणेपूर्वी व प्रसूतीदरम्यानची माहिती एकत्र केल्याने अचूकता वाढली; पण प्रेक्षण कमी राहिले (~13%), व कैलिब्रेशन वक्रे यावर र जोखिम अधिक आहे असे दर्शवते. या संशोधनाच्या प्रमुख ताकदीत त्याच्या मोठ्या बहुविज्ञान केंद्रीय सहकार्याचा समावेश आणि प्रणालीगत घटकांचा समावेश आहे; परंतु, जुना डेटा (२००२–२००८), इम्प्युटेशन तंत्र वापरणे व ट्रान्सफ्यूजनचे वेगवेगळ्या टप्प्यांवर तपासणी या मर्यादा दर्शवतात, त्यासाठी समकालीन डेटावर बाह्य पडताळणी आणि जाती, विमा व रुग्णालयांच्या वैशिष्ट्यांवर न्याय्यतेची तपासणी आवश्यक आहे. २. प्रवेशावेळी PPH ची भविष्यवाणी मशीन लर्निंग व सांख्यिकी मॉडेल्सने वेंकटेश KK इत्यादींनी (२०२०) १५२, २७९ जन्मांवर आधारित डेटा वापरून लॉजिस्टिक रिग्रेशनच्या विविध आवृत्त्या, रँडम फॉरेस्ट व XGBoost यांची तुलना केली. XGBoost ने सर्वश्रेष्ठ कार्यक्षमता साधली (C-आकडा 0. 93), रँडम फॉरेस्ट (0. 92) व लॉजिस्टिक मॉडल्स (0. 87) पेक्षा. महत्त्वाच्या घटकांमध्ये गर्भधारणा पूर्व/एडमिशन BMI, मॅक्रोसोमिया, जीवनसिंचन चिन्हे, श्रम पूर्व चाचणी, गर्भवतीची संख्या, अ‍ॅनिमिया, व स्वाभाविक श्रम या समाविष्ट होत्या. PPH ची घटना ४. ७–४. ८% पर्यंत असून, सिझेरियन प्रसूतीत risk त्यापेक्षा बहुत कमी (~१५%) व योनि मार्गाने जन्मांमध्ये ~०. ६% होती, जे वर्गीय असमानता दर्शवते. या अभ्यासात कालिक व स्थानीक प्रमाणीकरण व निर्णय- वक्र विश्लेषणांचा वापर केला गेला आहे ज्यामुळे क्लिनिकल उपयुक्तता तपासली जाते. या माहितीचे जुनेपणा व रक्तस्त्राव मोजण्याची प्रामाणिकता यांमुळे मर्यादा आहेत. भविष्यातील अभ्यासासाठी बाह्य पडताळणी, पुनर्समायोजन, निर्णय- थ्रेशोल्ड ऑप्टिमायझेशन व समता तपासण्या आवश्यक आहेत. ३. मेरीलँडमधील गंभीर मातृ रोग (SMM) ची भविष्यवाणी व असमानता अधिकृतता ली Q इत्यादींनी (२०२५) २०१६-२०१९ दरम्यान मेरीलँडमधील २६१, २२६ जन्मांची नोंद असलेल्या रुग्णालयीन व आरोग्य संस्था डेटा वापरून SMM ची भविष्यवाणी व जाती, उत्पन्न, विमा व भाषांनुसार भेदभाव तपासले.

१८ वैशिष्ट्यांतून बनलेली LASSO मॉडेल्स AUC ~०. ८० प्राप्त झाली, तर लॉजिस्टिक रिग्रेशनपेक्षा श्रेष्ठ ठरली; तरीही, SMM चे इलाज चूकण्याचे प्रमाण (~७६ प्रकरणे प्रति १०, ००० जन्मे) कमी होते. गैरहिस्पैनिक ब्लॅक स्त्रियांमध्ये SMM जोखीम दुप्पट (~२ गुणांक) आढळली, कमी उत्पन्न असणाऱ्या निवासी, सार्वजनिक विमा आणि इंग्रजी न बोलणाऱ्या व्यक्तींमध्ये अधिक जोखीम दिसून आली. CDC ची SMM व्याख्या जी ट्रान्सफ्यूशन हा घटक वगळते, तसेच वैशिष्ट्यांची मर्यादा अभ्यासाची समज वाढवते व सहकार्य टिकवते. मजबूत बाजू म्हणजे मोठ्या राज्यव्यापी डेटा संलग्नता व स्पष्ट फरक निरीक्षण. कामकाजाच्या मर्यादांमध्ये निदानात कमी संवेदनशीलता, भौगोलिक मर्यादा व ट्रान्सफ्यूजनची संपत्ती अभाव यांचा समावेश होतो. भविष्यातील संशोधनासाठी वर्गीय असमानता, निर्णय- वक्र विश्लेषण व संसाधन मांडणीच्या अनुकुलता तपासण्याचे दिशानिर्देश आवश्यक आहेत. ४. २० आठवड्यांच्या भ्रूण बायोमेट्रीसाठी स्वयंचलित फुल अल्ट्रासाऊंड स्कॅन्स वेन्टुरिनी L इत्यादींनी (२०२५) ७, ३०९ स्कॅन्सच्या iFIND डेटासेटवर आधारित संपूर्ण इनपुट अल्ट्रासाऊंड व्हिडिओंचे स्वयंचलित AI प्रणाली विकसित केली. ही प्रणाली standard भ्रूण मापदंड (डोक्याचा भोवरा, बिपॅरिएटल व्यास, पोटाचा भोवरा, जांभई लांबी) एका मोडेमध्ये दरफ्रेम व विशिष्ट Bayesian मिश्रण मॉडेल वापरून मोजते, आउटलाईयर्सला टाळते व विश्वासार्ह अंतर दाखवते. मशीन आणि मानवी मोजमापांमधील फरक बहुतेक मानवी inter-observer भिन्नतेशी जवळजवळ जुळतात (~९५%) अधिकतर मेट्रिक्ससाठी. सर्व फ्रेम्सचे संकलन मूळ मापनापेक्षा खूप कमी असमानता आणते, व पुनर्प्रमाणन करणारे आकडेवारीही अर्ध्यापर्यंत कमी होते. Bayesian विश्वासार्ह इंटरव्हल्स विश्लेषणीय विश्वास दाखवतात व अधिक डेटासह आणखी घटतात. या पद्धतीमुळे स्केल, वेळीच वापर, पुनरावृत्ती व अनिश्चिततेचे मापन शक्य होते. मर्यादा म्हणून अपवादात्मक भ्रूण प्रतिनिधित्व, मेट्रिकचे कार्यक्षमता भिन्नता व विविध अल्ट्रासाऊंड तंत्रज्ञानांवर विश्वासार्हता कमी आहे. भविष्यातील शिफारसीत आहेत: विकारयुक्त भ्रूणांसाठी प्रायोगिक चाचण्या, स्थानिक मॉडेल अपडेट्स व विश्वासार्हता दर्शवण्याकरिता वापरकर्ता-परीक्षण.