Å utnytte maskinlæring for å forbedre maternal og fosterhelseutfall 1. Forutsi postpartum blødning (PPH) og transfusjon ved hjelp av maskinlæring Ahmadzia HK m. fl. (2024) utviklet flere ML-modeller, inkludert gradient boosting, for å forutsi PPH (≥1000 mL blodtap) og behov for blodtransfusjon basert på data fra over 185 000 fødsler i 12 amerikanske sykehus (Consortium for Safe Labor). Gradient boosting viste seg å være mest effektiv (ROC-AUC 0, 833; PR-AUC 0, 210) når man kombinerte antepartum- og intrapartum-faktorer. Viktige prediktorer inkluderte fødselsmetode, oksytocindose, bruk av tocolytika, tilstedeværelse av anestesilege, og sykehustype, noe som fremhever både kliniske og systemrelaterte faktorer. Mens kombinasjon av antepartum- og intrapartum-data økte nøyaktigheten, forble presisjonen moderat (~13%), og kalibreringskurver indikerte overvurdering av risiko. Studiens styrker er dens store flerkenterskohort og inkludering av systemnivåvariabler; begrensninger inkluderer eldre data (2002–2008), imputasjonsmetoder og varierende transfusjonsterskler, noe som understreker behovet for ekstern validering på oppdaterte datasett og rettferdighetsrevisjoner med hensyn til rase, forsikring og sykehustype. 2. Prediksjon av PPH ved innleggelsestidspunkt via ML og statistiske modeller Venkatesh KK m. fl. (2020) sammenlignet logistisk regresjon, tilfeldig skog og XGBoost for å forutse PPH ved bruk av data fra 152 279 fødsler (10 amerikanske steder; 2002–2008). XGBoost oppnådde høyest ytelse (C-statistikk 0, 93), bedre enn tilfeldig skog (0, 92) og logistikksimuleringer (0, 87). Viktige variabler inkluderte BMI før graviditet/innleggelse, makrosomi, vitale tegn, prøving av fødsel, gestasjonsnummer, anemi og spontan fødsel. Forekomst av PPH var på 4, 7–4, 8%, men risikoen var betydelig høyere (~15%) ved keisersnitt sammenlignet med vaginal fødsel (~0, 6%), noe som understreker klassubalanse og behov for finjustering av terskler. Studiet brukte tids- og stedsvalidering samt beslutningskurveanalyse for å vurdere klinisk nytte. Begrensninger inkluderer utdatert data og mulige feil i blodtapmålinger. Anbefalinger er ekstern validering, rekalibrering, optimalisering av beslutningsterskler og rettferdighetsrevisjoner. 3. Prediksjon av alvorlig maternal morbiditet (SMM) og vurdering av ulikheter i Maryland Li Q m. fl. (2025) brukte koblede data fra sykehusadministrasjon og American Hospital Association for å analysere 261 226 fødsler (2016–2019) i Maryland for å forutsi SMM og undersøke ulikheter basert på rase, inntekt, forsikring og språk. LASSO-modeller med 18 variabler oppnådde en AUC på ~0, 80, noe som var bedre enn logistisk regresjon (AUC ~0, 69–0, 71); likevel var recalls høyere, men lav, med ca.

76 tilfeller av SMM per 10 000 fødsler. Høyere risiko ble funnet blant ikke-spansktalende svarte kvinner (risikoforhold ≈ 2), lavinntektsinnbyggere, offentlig forsikrede og ikke-engelsktalende. Ved å bruke CDCs definisjon av SMM, som ekskluderte blodtransfusjon, og begrense antall variabler for bedre tolkning og konvergens, ble modellene mer effektive. Styrker er store, sammenkoblede fylkesdata og fokus på ulikhetsanalyser. Begrensninger inkluderer lav sensitvitet, geografisk avgrensning og utelatelse av transfusjon fra SMM-definisjonen. Fremtidig arbeid bør fokusere på metode for ubalanse, beslutningskriterier knyttet til ressursbruk og bredere validering. 4. Automatisert 20-ukers fosterbiometri fra full ultralyd Venturini L m. fl. (2025) presenterte en fullautomatisert AI-pipeline for å estimere standard fosterbiometriske målinger (hodeomkrets, biparietal diameter, abdomenomkrets, femurlengde) ved å analysere hvert enkelt bilde i 20-ukers ultralydvideoer fra iFIND-datasettet (7 309 skanninger; 1 457 testskanninger, ca. 48 millioner bilder). Systemet kombinerer sanntids klassifisering av plane (SonoNet), måling med U-Net per bilde og en Bayesian blandingsmodell for å aggregere målinger, utelukke uteliggere og generere pålitelige intervaller, og dermed minimere operatørbias. Målingene fra maskin og menneske stemte tett overens med hverandre og med menneskets inter-observatørvariabilitet (~95% innenfor intervallet) for de fleste parametere. Samlet vurdering av alle bilder reduserte variabilitet betydelig sammenlignet med enkeltbilder, og test–retest-variabilitet var omtrent halvparten av menneskets på ulike ultralydenheter, noe som demonstrerer systemets robusthet. Bayesian-intervalene gir tolkningsbar konfidens og blir smalere med mer data. Styrker inkluderer skala, sanntidsbruk, repeterbarhet og usikkerhetskvantifisering. Begrensninger er blant annet begrenset erfaring med unormale foster, variabel ytelse for enkelte målinger (f. eks. transcerebellar diameter), og usikkerhet rundt generisk anvendbarhet på ulike ultralydsystemer. Anbefalinger inkluderer kliniske studier med utsnitt av anomalier, justeringer for spesifikke kliniske enheter, og brukervennlighetstesting for å vise konfidensintervaller.