Korišćenje mašinskog učenja za poboljšanje ishoda maternalnog i fetalnog zdravlja 1. Predviđanje postpartalnog krvarenja (PPH) i transfuzije pomoću mašinskog učenja Ahmadzia HK i saradnici (2024) razvili su više modela mašinskog učenja, uključujući gradientno pojačanje, za predviđanje PPH (gubitak krvi od ≥1000 mL) i potrebu za transfuzijom koristeći podatke sa preko 185. 000 porođaja u 12 bolnica u SAD-u (Konzorcijum za sigurnu radnju). Gradientno pojačanje je nadmašilo ostale modele (ROC-AUC 0, 833; PR-AUC 0, 210) kada su kombinovani anti- i intrapartalni podaci. Ključni prediktori bili su način porođaja, doza oksitocina, upotreba tocolitika, prisustvo sestrice za anesteziju i vrsta bolnice, što ističe kliničke i sistemske faktore. Kombinovanje podataka o trudnoći i porođaju poboljšalo je tačnost, ali je preciznost ostala skromna (~13%), a kalibracijske krive su ukazivale na prekomerno procenjivanje rizika. Prednosti studije su njena velika multicentrična kohorta i uključivanje sistemske varijable; ograničenja su stariji podaci (2002–2008), metode imputacije i različiti pragovi za transfuziju, što ukazuje na potrebu za eksternom validacijom na savremenim skupovima podataka i procenom pravičnosti uzimajući u obzir rasu, osiguranje i karakteristike bolnica. 2. Predviđanje PPH pri ulasku putem mašinskog učenja i statističkih modela Venkatesh KK i saradnici (2020) uporedili su varijante logističke regresije, slučajni šum i XGBoost za predviđanje PPH koristeći podatke sa 152. 279 porođaja (10 lokacija u SAD-u; 2002–2008). XGBoost je postigao najbolju performansu (C-statistika 0, 93), nadmašivši slučajni šum (0, 92) i logističke modele (0, 87). Važni faktori uključivali su BMI pre trudnoće i pri ulasku, macrosomia, vitalne znakove, pokušaj porođaja, broj trudnoća, anemiju i spontani porođaj. Učestalost PPH je bila između 4, 7–4, 8%, dok je rizik bio znatno viši (~15%) kod carskog reza u poređenju sa ~0, 6% kod vaginalnih porođaja, što ističe problem klase i potrebu za finijim podešavanjem pragova. Studija je uključila vremensku i lokacionu validaciju, kao i analizu odlučivanja za procenu kliničke korisnosti. Ograničenja su zastareli podaci i mogućnosti grešaka u merenju gubitka krvi. Preporuke uključuju proaktivnu eksternu validaciju, recalibraciju, optimizaciju pragova odlučivanja i procenu pravičnosti. 3. Predviđanje teške maternalne morbiditetnosti (SMM) i evaluacija nejednakosti u Merilendu Li Q i saradnici (2025) koristili su povezane podatke bolničkih administrativnih sistema i Američkog udruženja bolnica sa 261. 226 porođaja (2016–2019) u Merilendu za predviđanje SMM i analizu razlika po rasi, prihodu, osiguranju i jeziku. LASSO modeli sa 18 atributa dostigli su AUC od približno 0, 80, što je bilo bolje od logističke regresije (AUC od 0, 69–0, 71); međutim, stopa identifikacije slučajeva je bila niska zbog retkosti SMM (~76 slučajeva na 10. 000 porođaja). Povećan rizik od SMM zabeležen je kod crnkinja nehispanog porekla (riziko približno 2 puta veće), stanovnika sa niskim primanjima, javno osiguranih i onih koji ne govore engleski.

Korišćenjem definicije SMM prema CDC-u, koja isključuje transfuziju, i ograničavanjem atributa, poboljšana je interpretabilnost i konvergencija modela, zadržavajući dobru diskriminativnu sposobnost. Prednosti uključuju velike povezane državne podatke i analize izazova nejednakosti. Ograničenja su niska osetljivost za identifikaciju slučajeva, geografsko ograničenje i isključivanje transfuzije iz definicije SMM. Budući radovi trebali bi da se fokusiraju na strategije za uravnoteženje klase, analize odlučivanja u skladu sa raspodelom resursa i širu validaciju. 4. Automatska fetalna biometrija na 20. nedelji trudnoće putem punih ultrazvučnih snimaka Venturini L i saradnici (2025) predstavili su potpuno automatizovan AI sistem za procenu standardnih fetalnih mera (obim glave, biparijetalni prečnik, abdominalni obim, dužina butne kosti) analizom svakog frejma ultrazvučnih snimaka sa 20. nedelje u okviru iFIND seta podataka (7. 309 snimaka; 1. 457 test snimaka, približno 48 miliona frejmova). Sistem kombinuje klasifikaciju ravni u realnom vremenu (SonoNet), merenje po frejmu pomoću U-Net modela i Bayesov mješoviti model za agregaciju mera, otkrivanje izuzetaka i generisanje intervala poverenja, čime minimizira subjektivnost operatera. Razlika između mašinskih i ljudskih mera gotovo se poklapala sa ljudskom inter-posmatračkom varijabilnošću (~95% unutar raspona) za većinu metrika. Grupisanje frejmova je značajno smanjilo varijabilnost u poređenju sa pojedinačnim merenjima, a test–ponovljiva varijabilnost je bila upola manja od ljudske na različitim ultrazvučnim uređajima, što ukazuje na robusnost. Bayesov interval poverenja pruža tumačivu sigurnost, a sa više podataka se preciznost povećava. Prednosti uključuju skalabilnost, primenu u realnom vremenu, ponovljivost i kvantifikaciju neizvesnosti. Ograničenja su reprezentacija abnormalnih fetusa, varijabilni rezultati za određene mere (npr. transcerebelarni prečnik) i neizvesnost u opštoj primeni na različite ultrazvučne tehnologije. Predloženi koraci su klinička ispitivanja sa većim sadržajem abnormalnosti, podešavanja modela za različite lokacije i testiranje upotrebljivosti za prikaz intervala poverenja.