Izrabačevanje zdravja mater in ploda z uporabo strojnega učenja 1. Napovedovanje poporodne krvavitve (PPH) in transfuzije z uporabo strojnega učenja Ahmadzia HK in sod. (2024) so razvili več modelov strojnega učenja, vključno z gradientnim boostanjem, za napovedovanje PPH (izguba krvi ≥1000 mL) in potreb po transfuziji z uporabo podatkov iz več kot 185. 000 porodov v 12 bolnišnicah v ZDA (Consortium for Safe Labor). Gradientno boostanje je prekašalo druge modele (ROC-AUC 0, 833; PR-AUC 0, 210), ko so združili antepartumne in intrapartumne značilnosti. Glavni prediktorji so bili način poroda, odmerek oksitocina, uporabo tocolitikov, prisotnost babice anesteziologinje ter vrsta bolnišnice, kar poudarja klinične in sistemske dejavnike. Čeprav je združevanje podatkov iz antepartum in intrapartum izboljšalo natančnost, sta natančnost in preciznost ostajali zmerni (~13 %), kalibracijske krivulje pa so kazale na preveliko oceno tveganja. Prednosti študije so velika večsistemska kohorta in vključenost sistemskih spremenljivk; omejitve pa vključujejo starejše podatke (2002–2008), uporabljene metode imputacije in raznolike prage transfuzije, kar poudarja potrebo po zunanji validaciji na sodobnih podatkih ter preiskavah pravičnosti, vključno z vidiki rase, zavarovanja in vrst bolnišnic. 2. Napovedovanje PPH ob vstopu z uporabo ML in statističnih modelov Venkatesh KK in sod. (2020) so primerjali logistično regresijo različnih vrst, naključni gozd in XGBoost za napovedovanje PPH z uporabo podatkov iz 152. 279 porodov (10 ameriških lokacij; 2002–2008). Najboljšo izvedbo je dosegel model XGBoost (C-statistika 0, 93), ki je prehitel naključni gozd (0, 92) in logistične modele (0, 87). Pomembne spremenljivke so bile pre-porodni/prej prijavni BMI, makrosomija, vitalni znaki, poskus poroda, št. gestacij, anemija in spontani porod. Incidenca PPH je bila med 4, 7 % in 4, 8 %, z desetkrat višjim tveganjem (~15 %) pri carski, v primerjavi z okoli 0, 6 % pri vaginalnih porodih, kar poudarja neuravnoteženost razredov in potrebo po natančnejšem določanju pragov. Študija je uporabljala časovno in lokacijsko validacijo ter analize odločilnih krivulj za oceno klinične uporabnosti. Omejitve vključujejo zastarele podatke in morebitne napake pri merjenju izgube krvi. Priporočila vključujejo prospektivno zunanjo validacijo, ponovno kalibracijo, optimizacijo pragov odločitev in preverjanje pravičnosti. 3. Napovedovanje hudih materinskih zapletov (SMM) in ocena neenakosti v Marylandu Li Q in sod.

(2025) so uporabili povezane bolnišnične administrativne podatke in podatke Ameriške bolnišnične zveze za 261. 226 porodov (2016–2019) v Marylandu za napovedovanje SMM ter preučitev razlik po rasi, dohodku, zavarovanju in jeziku. Modeli LASSO z 18 značilnostmi so dosegli AUC približno 0, 80, kar je preseglo logistične modele (AUC približno 0, 69–0, 71); vendar je bilo odkritje SMM nizko (približno 76 primerov na 10. 000 porodov). Povečano tveganje za SMM so zabeležile operacije črnih mater (razmerje tveganja ~2), nizko dohodne skupine, javno zavarovane ter ne-anglolske govoreče. Uporaba definicije SMM, ki je izključila transfuzijo, je izboljšala interpretacijo in konvergenco modelov, ohranila pa diskriminacijo. Prednosti vključujejo veliko povezano celostatno podatkovno zbirko in analize pravičnosti; omejitve pa so nizka občutljivost za prepoznavo primerov, geografska omejenost in izključitev transfuzije iz definicije SMM. Pri prihodnjih raziskavah je priporočljivo uporabiti strategije za uravnoteženje razredov, analize odločilnih krivulj v skladu z razporejanjem virov ter širšo validacijo. 4. Avtomatska 20-tedenska biometrična analiza ploda iz celovitih ultrazvočnih posnetkov Venturini L in sod. (2025) so predstavili popolnoma avtomatiziran AI sistem za oceno standardnih meritev fetalne biologije (obseg glave, biparietalni premer, obseg trebuha, dolžina stegnenice) na podlagi analize vsakega okvirja ultrazvočnih posnetkov v 20. tednu, zbrano iz podatkovnega seta iFIND (7. 309 posnetkov; 1. 457 testnih posnetkov, približno 48 milijonov okvirjev). Sistem vključuje takojšnjo klasifikacijo ravnin (SonoNet), meritev z U-Net na posameznem okvirju in Bayesov model mešanja za agregacijo meritev, zavračanje odstopanj ter izdelavo zanesljivih intervalov, kar zmanjšuje operativno pristranskost. Razlike med strojnimi in človeškimi meritvami so se močno ujemale z variabilnostjo med opazovalci (~95 % znotraj razpona). Združevanje vseh okvirjev je značilno zmanjšalo variabilnost v primerjavi s posamičnimi odčitki, test-retest pa je bil približno polovico človeške variabilnosti na različnih ultrazvočnih napravah, kar dokazuje robustnost. Bayesovi zanesljivi intervali nudijo interpretabilno zaupanje in se s povečevanjem podatkov ozko obiskujejo. Prednosti vključujejo kompaktnost, takojšnjo uporabo, ponovljivost in kvantifikacijo negotovosti. Omejitve so omejen reprezentativni vzorec nenormalnih plodov, raznolika zmogljivost meritev (npr. transcerebelarni premer) ter negotovost glede univerzalne uporabe prek različnih ultrazvočnih tehnologij. V prihodnje so priporočljivi klinični poskusi z vključitvijo primerov z anomalijami, posodobitve modelov za posamezne lokacije ter testiranje uporabnosti prikaza intervalov zaupanja.