Utilizarea învățării automate pentru îmbunătățirea rezultatelor de sănătate materno-fetală 1. Predicția hemoragiei postpartum (PPH) și transfuziilor utilizând învățarea automată Ahmadzia HK și colab. (2024) au dezvoltat mai multe modele ML, inclusiv boosting gradient, pentru a prezice PPH (pierdere de sânge ≥1000 mL) și necesitatea transfuziei de sânge, folosind date din peste 185. 000 de nașteri din 12 spitale din SUA (Consorțiul pentru nașteri sigure). Boosting-ul gradient a avut cele mai bune rezultate (ROC-AUC 0. 833; PR-AUC 0. 210) atunci când a combinat caracteristici antepartum și intrapartum. Principalilor predictori s-au numărat modalitatea de naștere, dozajul de oxitocină, utilizareatocoliticulor, prezența unui asistent de anestezie și tipul spitalului, evidențiind factorii clinici și sistemici. Deși combinarea datelor antepartum și intrapartum a îmbunătățit acuratețea, precizia a rămas moderată (~13%), iar curbă de calibrare indica supraestimarea riscului. Punctele forte ale studiului sunt cohorta mare multicentrică și includerea variabilelor la nivel de sistem; limitele sunt reprezentate de date mai vechi (2002–2008), metodele de imputare și pragurile de transfuzie variabile, sugerând necesitatea validării externe pe seturi de date contemporane și audituri de echitate ținând cont de rasă, asigurare și caracteristici ale spitalelor. 2. Predicția PPH la momentul internării prin modele ML și statistice Venkatesh KK și colab. (2020) au comparat variante de regresie logistică, pădure aleatorie și XGBoost pentru a prezice PPH folosind date din 152. 279 nașteri (10 locații în SUA; 2002–2008). XGBoost a avut cea mai bună performanță (C-statistic 0. 93), depășind pădurea aleatorie (0. 92) și modelele logice (0. 87). Variabile importante au fost IMC pre-sarcină și la momentul internării, macrosomia, semne vitale, încercarea de travaliu, numărul de sarcini, anemia și travaliul spontan. Incidența PPH a variat între 4, 7–4, 8%, cu un risc semnificativ mai mare (~15%) în cazurile de cezariană comparativ cu ~0, 6% în nașterea vaginală, evidențiind dezechilibrul de clase și necesitatea ajustării pragurilor. Studiul a folosit validare temporală și pe site și analiză pe curba decizională pentru evaluarea utilității clinice. Limitele sunt date învechite și potențiale erori de măsurare a pierderii de sânge. Recomandările vizează validarea externă prospectivă, recalibrare, optimizarea pragurilor decizionale și audituri de echitate. 3. Predicția morbidității materne severe (SMM) și evaluarea inechităților în Maryland Li Q și colab.

(2025) au utilizat date combinate administrative spitalicești și ale Asociației Americane a Spitalelor, acoperind 261. 226 de nașteri (2016–2019) în Maryland pentru a prezice SMM și a examina disparitățile pe bază de rasă, venit, asigurare și limbaj. Modelele LASSO, cu 18 caracteristici, au atins un AUC ~0. 80, depășind regresia logistică (AUC ~0. 69–0. 71); totuși, recall-ul a fost scăzut din cauza rarității SMM (~76 cazuri la 10. 000 nașteri). Riscul crescut de SMM s-a observat la femeile ne-Hispanic Black (raport de risc ≈ 2), rezidenți cu venituri mici, asigurați public și celor care nu vorbesc limba engleză. Folosirea definiției CDC pentru SMM, excluzând transfuzia și limitând caracteristicile, a îmbunătățit interpretabilitatea și convergența, păstrând discriminarea. Punctele forte sunt analiza pe mari seturi de date la nivel de stat și evaluarea explicită a echității. Limitările includ sensibilitate scăzută pentru detectarea cazurilor, restricționarea geografică și omiterea transfuziei în cadrul definiției SMM. Lucrările viitoare trebuie să se concentreze pe strategii pentru dezechilibrul de clase, analize pe curba decizională în funcție de resurse și validare mai largă. 4. Biometria fetală automată pe 20 de săptămâni din scanări complete de ecografie Venturini L și colab. (2025) au introdus un pipeline AI complet automatizat pentru estimarea măsurătorilor standard de biometriile fetale (circumferința capului, diametrul biparietal, circumferința abdominală, lungimea femurului) prin analizarea fiecărui cadru din videoclipurile ecografice de 20 de săptămâni, provenind din setul de date iFIND (7. 309 scanări; 1. 457 de test, ~48 milioane de cadre). Sistemul integrează clasificarea în planuri în timp real (SonoNet), măsurarea pe cadre cu U-Net și un model Bayesian pentru agregarea măsurătorilor, rejetarea valorilor anormale și generarea unor intervale de credibilitate, minimizând astfel bias-ul operatorului. Diferențele dintre măsurătorile automate și cele umane s-au apropiat de variabilitatea inter-observator uman (~95% în interval), pentru majoritatea metricilor. Agregarea tuturor cadrelor a redus semnificativ variabilitatea comparativ cu estimările dintr-un singur cadru, iar variabilitatea test-retest a fost de aproximativ jumătate față de cea umană, demonstrând robustețe. Intervale de credibilitate bayesiene oferă înțelegeri clare și se îngustează pe măsură ce se adaugă mai multă dată. Punctele forte includ scala, aplicația în timp real, reproductibilitatea și cuantificarea incertitudinii. Limitele sunt reprezentate de reprezentarea slabă a fetusurilor anormale, performanța variabilă a unor metrici (de exemplu, diametrul cerebellei), și generalizarea incertă la diferite tehnologii de ecograf. Recomandările includ studii clinice cu populație îmbogățită cu anomalii, actualizarea modelelor pe site-specific, și testarea pentru afișarea intervalelor de încredere.