Memanfaatkan Pembelajaran Mesin untuk Meningkatkan Hasil Kesihatan Ibu dan Bayi 1. Ramalan Pendarahan Selepas Bersalin (PPH) dan Transfusi Menggunakan Pembelajaran Mesin Ahmadzia HK et al. (2024) membangunkan beberapa model ML, termasuk peningkatan kecerunan, untuk meramalkan PPH (kehilangan darah ≥1000 mL) dan keperluan transfusi darah menggunakan data dari lebih 185, 000 kelahiran di 12 hospital di Amerika Syarikat (Konsortium untuk Kelahiran Selamat). Peningkatan kecerunan mengatasi model lain (ROC-AUC 0. 833; PR-AUC 0. 210) apabila menggabungkan ciri antepartum dan intrapartum. Penanda utama termasuk mod penghantaran, dos oksitosin, penggunaan tokolitik, kehadiran jururawat anestesia, dan jenis hospital, menyoroti faktor klinikal dan sistem. Gabungan data antepartum dan intrapartum meningkatkan ketepatan, tetapi ketepatan telah mencapai tahap sederhana (~13%), dengan lengkung kalibrasi menunjukkan risiko yang berlebihan. Kelebihan kajian ini adalah kohort pelbagai pusat yang besar dan penglibatan pembolehubah tahap sistem; kekurangan termasuk data lama (2002–2008), kaedah imputasi, dan ambang transfusi yang berbeza, menunjukkan keperluan pengesahan luar pada dataset kontemporari dan audit keadilan berkaitan kaum, insurans, dan ciri hospital. 2. Ramalan PPH Semasa Kemaskini Melalui Model ML dan Statistik Venkatesh KK et al. (2020) membandingkan variasi regresi logistik, hutan rawak, dan XGBoost untuk meramalkan PPH menggunakan data dari 152, 279 kelahiran (10 lokasi di AS; 2002–2008). XGBoost mencapai prestasi tertinggi (C-statistic 0. 93), mengatasi hutan rawak (0. 92) dan model logistik (0. 87). Pembolehubah penting termasuk BMI sebelum kehamilan/ketibaan, makrosomia, tanda vital, percubaan bersalin, bilangan kehamilan, anemia, dan bersalin secara spontan. Kadar PPH berkisar dari 4. 7–4. 8%, dengan risiko sekitar 15% dalam kelahiran cesarean berbanding ~0. 6% untuk kelahiran normal, menekankan ketidakseimbangan kelas dan keperluan pengoptimalan ambang. Kajian ini menggunakan validasi masa dan tapak serta analisis peta keputusan untuk menilai kegunaan klinikal. Kelemahan termasuk data usang dan kemungkinan ralat pengukuran kehilangan darah. Cadangan termasuk pengesahan luaran prospektif, recalibrasi, pengoptimuman ambang keputusan, dan audit keadilan. 3. Ramalan Morbiditi Maternal Berat (SMM) dan Menilai Ketidaksamaan di Maryland Li Q et al.

(2025) menggunakan data hospital yang dihubungkan dan data American Hospital Association meliputi 261, 226 kelahiran (2016–2019) di Maryland untuk meramalkan SMM dan mengkaji ketidaksamaan berdasarkan kaum, pendapatan, insurans, dan bahasa. Model LASSO dengan 18 ciri mencapai AUC ~0. 80, mengatasi logistik regresi (AUC ~0. 69–0. 71); walau bagaimanapun, ingatan rendah kerana SMM yang jarang berlaku (~76 kes per 10, 000 kelahiran). Risiko SMM yang tinggi ditemui di kalangan wanita bukan Hispanik Hitam (nisbah risiko ≈ 2), penduduk berpendapatan rendah, berinsurans awam, dan yang tidak berbahasa Inggeris. Penggunaan definisi CDC untuk SMM yang mengecualikan transfusi dan hadkan ciri meningkatkan kefahaman dan konvergensi sambil mengekalkan diskriminasi. Kelebihan termasuk data besar berhubung seluruh negeri dan analisis keadilan yang jelas. Kekurangan termasuk sensitiviti yang rendah untuk pengesanan kes, batasan geografis, dan tidak menyertakan transfusi dalam definisi SMM. Kerja masa depan harus memberi tumpuan kepada strategi ketidakseimbangan kelas, analisis peta keputusan berpadanan dengan pengagihan sumber, dan pengesahan yang lebih luas. 4. Biometri Bayi 20 Minggu Automatik Daripada Imbasan Ultrabunyi Sepenuhnya Venturini L et al. (2025) memperkenalkan Pipa AI automatik sepenuhnya untuk menganggarkan ukuran biometri standard bayi (diameter kepala, diameter biparietal, diameter perut, panjang femur) melalui analisis setiap bingkai video ultrasound 20 minggu dari dataset iFIND (7, 309 imbasan; 1, 457 imbasan ujian, sekitar 48 juta bingkai). Sistem ini mengintegrasikan klasifikasi pesawat secara masa nyata (SonoNet), pengukuran per bingkai U-Net, dan model campuran Bayesian untuk mengumpulkan ukuran, menolak luar biasa, dan menghasilkan interval kepercayaan, sekali gus mengurangkan bias pengendali. Perbezaan antara pengukuran mesin dan manusia sejajar rapat dengan variabiliti antara pemerhati manusia (~95% dalam julat) bagi kebanyakan metrik. Pengumpulan semua bingkai secara signifikan mengurangkan variabiliti berbanding anggaran satu bingkai, dan variabiliti ujian–ulang adalah kira-kira separuh daripada variabiliti manusia pada peranti ultrasound yang berbeza, membuktikan ketahanan. Interval kepercayaan Bayesian memberi makna yang dapat difahami dan mengecil dengan lebih banyak data. Kelebihan termasuk skala, aplikasi masa nyata, keulangan, dan pengukuran ketidakpastian. Kekurangan termasuk kekangan dalam mewakili bayi yang tidak normal, prestasi metrik yang berbeza (contohnya diameter transcerebellar), dan ketidakpastian dalam penggeneralisasian merentasi teknologi ultrasound. Cadangan termasuk ujian klinikal yang diperkaya untuk abnormaliti, kemaskini model berlokasi, dan ujian kebolehgunaan untuk paparan interval kepercayaan. Untuk maklumat terkini tentang kajian terdahulu dan perkembangan terkini dalam kesihatan digital global, sila ikuti pautan yang disediakan.