Использование машинного обучения для повышения результатов материнского и плода здоровья 1. Прогнозирование послеродового кровотечения (ПРОК) и трансфузии с помощью машинного обучения Ахмадзия HK и др. (2024) разработали несколько моделей машинного обучения, включая градиентный бустинг, для предсказания ПРОК (кровопотеря ≥1000 мл) и необходимости трансфузии крови на основе данных более 185 000 родов в 12 больницах США (Консорциум по безопасной родовспоможению). Градиентный бустинг показал лучшие результаты (ROC-AUC 0, 833; PR-AUC 0, 210) при комбинировании предикторов в акушерском и перинатальном периодах. Основными факторами-предикторами стали способ родов, доза окситоцина, использование таколитиков, наличие анестезиологической медсестры и тип госпиталя, что подчеркивает важность клинических и системных факторов. Совмещение данных из периода до и во время родов повысило точность, однако точность по-прежнему была умеренной (~13%), а калибровочные кривые указывали на переоценку риска. Среди достоинств исследования — крупная многоцентровая когорта и учет системных переменных; ограничения связаны с использованием устаревших данных (2002–2008), методами имитации и разными порогами трансфузии, что требует внешней валидации на современных данных и проверок справедливости с учетом расы, страховых компаний и характеристик госпиталей. 2. Прогнозирование ПРОК при поступлении с помощью машинного обучения и статистических моделей Венкатеш KK и др. (2020) сравнили логистическую регрессию, случайный лес и XGBoost для предсказания ПРОК на базе данных 152 279 родов (10 штатов США; 2002–2008). Лучшие показатели показал XGBoost (C-статистика 0, 93), превосходя случайный лес (0, 92) и логистические модели (0, 87). Важными переменными были индекс массы тела до беременности и при поступлении, макросомия, параметры жизненно важных факторов, проба естественных родов, число беременностей, анемия и спонтанные роды. Распространенность ПРОК колебалась от 4, 7% до 4, 8%, при этом риск был значительно выше при кесаревом сечении (~15%) по сравнению с вагинальными родами (~0, 6%), что подчеркивает проблему дисбаланса классов и необходимость уточнения пороговых значений. В исследовании использовалась временная и по сайтам проверка моделей, а также анализ решающих кривых для оценки клинической полезности. Ограничения — устаревшие данные и возможные ошибки в измерении кровопотери. В рекомендациях подчеркивается необходимость внешней проверки, перекалибровки, оптимизации порогов и анализа справедливости. 3. Прогнозирование тяжелых материнских осложнений (TMO) и оценка неравенств в Мэриленде Ли Q и др.

(2025) использовали связные данные больничных административных процедур и данных Американской ассоциации госпиталей для 261 226 родов в Мэриленде (2016–2019) с целью предсказать TMO и проанализировать неравенства по расе, доходу, страховке и языку. Модели LASSO с 18 переменными достигли AUC около 0, 80, превышая логистическую регрессию (AUC около 0, 69–0, 71); однако показатели чувствительности были низкими из-за редкости случаев TMO (~76 на 10 000 родов). Повышенный риск TMO обнаружен у нереспублских чернокожих женщин (коэффициент риска ~2), в малообеспеченных районах, у тех, кто имеет государственное страхование, и у не говорящих по-английски. Использование определения TMO от CDC, исключающего трансфузии, и ограничение числа переменных повысили интерпретируемость и сходимость моделей, сохранив при этом способность к discrimination. Среди преимуществ — масштабные связываемые данные штата и явный анализ неравенств; ограничения — низкая чувствительность при обнаружении случаев, географическая ограниченность и исключение трансфузий из определения TMO. В будущем рекомендуется использовать стратегии преодоления дисбаланса, провести анализ решающих кривых для распределения ресурсов и расширить внешнюю валидацию. 4. Автоматическая 20-недельная биометрия плода на основе полного ультразвукового сканирования Вентурини L и др. (2025) предложили полностью автоматизированный ИИ-процесс для оценки стандартных биометрических показателей плода (окружность головы, бипариетальный размер, окружность живота, длина бедра) путем анализа каждого кадра ультразвуковых видео на 20 неделе из датасета iFIND (7 309 сканов, 1 457 тестовых, примерно 48 миллионов кадров). Система включает классификацию плоскости в реальном времени (SonoNet), измерение по кадрам с помощью U-Net и байесовскую математическую модель для агрегирования данных, исключения выбросов и построения доверительных интервалов, что снижает операционные ошибки. Различия между машиностроением и человеком оказались близки с межнаблюдательным диапазоном (~95% внутри), а объединение всех кадров значительно снизило вариабельность по сравнению с оценками по одному кадру. Тест–перетест показал в два раза меньшую вариабельность по сравнению с человеческими измерениями при использовании разных ультразвуковых устройств, что демонстрирует надежность модели. Байесовские доверительные интервалы обеспечивают интерпретируемую уверенность, которую сужают с увеличением данных. Среди достоинств — масштабность, возможность работы в реальном времени, повторяемость и учет неопределенности. Ограничения — низкое представительство аномальных плодов, переменная точность отдельных метрик (например, диаметр транцеребеллярного отверстия), а также неопределенность относительно общей применимости к различным моделям ультразвука. В будущем рекомендуется проводить клинические испытания с большим числом аномальных случаев, обновлять модели для конкретных центров и тестировать удобство отображения доверительных интервалов. Для получения последних новостей в области глобального цифрового здравоохранения, а также предыдущих обзоров исследований, пожалуйста, следите по предоставленным ссылкам.