Wykorzystanie uczenia maszynowego do poprawy wyników zdrowotnych matek i noworodków 1. Prognozowanie krwotoku poporodowego (PPH) i transfuzji krwi za pomocą uczenia maszynowego Ahmadzia HK i in. (2024) opracowali różne modele ML, w tym gradient boosting, do przewidywania PPH (strata krwi ≥1000 ml) oraz potrzeb transfuzji, na podstawie danych z ponad 185 000 porodów w 12 amerykańskich szpitalach (Konsorcjum Bezpiecznej Pracy). Model gradient boosting osiągnął lepsze wyniki od innych (ROC-AUC 0, 833; PR-AUC 0, 210), gdy łączono cechy antepartum i intrapartum. Kluczowe predyktory obejmowały sposób porodu, dawkę oksytocyny, stosowanie tokolityków, obecność pielęgniarki anestezjologicznej oraz typ szpitala, podkreślając znaczenie czynników klinicznych i systemowych. Połączenie danych antepartum i intrapartum poprawiło dokładność, lecz precyzja była nadal umiarkowana (~13%), a krzywe kalibracji wskazywały na zawyżanie ryzyka. Mocne strony badania to duża, wieloośrodkowa kohorta oraz uwzględnienie zmiennych na poziomie systemu; ograniczenia dotyczą starszych danych (2002–2008), metod imputacji i różnych progów transfuzji, co wskazuje na konieczność zewnętrznej walidacji na współczesnych zbiorach danych i audytów sprawiedliwości, uwzględniających rasę, ubezpieczenie i cechy szpitala. 2. Prognozowanie PPH przy przyjęciu za pomocą modeli ML i statystycznych Venkatesh KK i in. (2020) porównali warianty regresji logistycznej, las losowy oraz XGBoost do prognozowania PPH na podstawie danych z 152 279 porodów (10 ośrodków w USA; 2002–2008). XGBoost uzyskał najlepszą wydajność (wskaźnik C 0, 93), przewyższając las losowy (0, 92) i modele logistyczne (0, 87). Najważniejsze zmienne to BMI przed ciążą i przy przyjęciu, makrosomia, parametry życiowe, próba porodu, liczba ciąż, anemia i spontaniczny poród. Częstość PPH wynosiła około 4, 7–4, 8%, z wyraźnie wyższym ryzykiem (~15%) w cesarskich cięciach w porównaniu do około 0, 6% w poródach naturalnych, co podkreśla problem nierównowagi klas i potrzebę lepszego wyznaczania progów decyzji. Badanie wykorzystało walidację czasową i ośrodkową oraz analizę krzywdy decyzyjnej, aby ocenić przydatność kliniczną. Ograniczenia to przestarzałe dane i potencjalne błędy pomiaru krwawienia. Rekomendacje obejmują przyszłą walidację zewnętrzną, rekalibrację, optymalizację progu decyzji oraz audyt sprawiedliwości. 3. Prognozowanie ciężkiej morbidności matczynej (SMM) i analiza nierówności w Maryland Li Q i in. (2025) wykorzystali powiązane dane administracyjne szpitali oraz dane Amerykańskiego Stowarzyszenia Szpitali na 261 226 porodów (2016–2019) w Maryland, aby prognozować SMM i badać nierówności ze względu na rasę, dochody, ubezpieczenie i język.

Modele LASSO z 18 cechami osiągnęły AUC około 0, 80, przewyższając regresję logistyczną (AUC 0, 69–0, 71); jednak wskaźnik odzysku był niski ze względu na rzadkość SMM (~76 przypadków na 10 000 porodów). Podwyższone ryzyko SMM stwierdzono w grupie kobiet czarnoskórych (współczynnik ryzyka ≈ 2), mieszkańców o niskich dochodach, ubezpieczonych publicznie i nie mówiących po angielsku. Zdefiniowano SMM według CDC z wyłączeniem transfuzji, co poprawiło interpretację i zbieżność, a jednocześnie zachowało zdolność dyskryminacji. Mocnymi stronami są duże powiązane dane stanowe i analiza nierówności, ograniczenia dotyczą niskiej czułości przy wykrywaniu przypadków, ograniczenia geograficzne i brak transfuzji w definicji SMM. Przyszłe prace powinny skupić się na strategiach radzenia sobie z nierównowagą danych, analizach krzywych decyzyjnych w kontekście alokacji zasobów oraz na szerszej walidacji. 4. Automatyczna ocena wymiarów płodu w 20. tygodniu na podstawie pełnych obrazów ultradźwiękowych Venturini L i in. (2025) opracowali w pełni automatyczny system AI do szacowania standardowych wymiarów biometrycznych płodu (obwód głowy, średnica biparietalna, obwód brzucha, długość kości udowej) na podstawie analizy każdego klatki ultrasonograficznej wideo w 20. tygodniu ciąży z zestawu danych iFIND (7 309 skanów; 1 457 testowych, około 48 milionów klatek). System integruje klasyfikację płaszczyzn w czasie rzeczywistym ( SonoNet), pomiary na klatkach (U-Net) oraz model mieszany bayesowski do łączenia wyników, odrzucania odstających pomiarów i wyznaczania intervali ufności, minimalizując wpływ operatora. Różnice w pomiarach między maszyną a człowiekiem były bliskie z inter-obserwacyjnym rozrzutem (~95% w zakresie) dla większości miar. Sumowanie klatek znacząco zmniejszyło zmienność w porównaniu z pojedynczą klatką, a test-retest na różnych urządzeniach ultradźwiękowych pokazał, że zmienność jest o połowę mniejsza od ludzkiej. Bayesowskie intervale ufności dają interpretowalną pewność i zawężają się wraz z większą ilością danych. Mocne strony to skalowalność, zastosowania w czasie rzeczywistym, powtarzalność oraz kwantyfikacja niepewności. Ograniczenia obejmują niewielką reprezentację nieprawidłowych płodów, zróżnicowaną skuteczność pomiarową (np. przekrój przez móżdżek), oraz niepewność co do generalizacji na różne technologie ultradźwiękowe. Rekomendacje to badania kliniczne z przypadkami nieprawidłowości, aktualizacje modelu dla ośrodków, oraz testowanie użyteczności wyświetlania intervali ufności.