Att använda maskininlärning för att förbättra mödra- och fosterhälsoutcomes 1. Förutsägelse av postpartumblödning (PPH) och transfusion med hjälp av maskininlärning Ahmadzia HK et al. (2024) utvecklade flera ML-modeller, inklusive gradientboosting, för att förutsäga PPH (≥1000 ml blodförlust) och behov av blodtransfusion med data från över 185 000 födslar vid 12 amerikanska sjukhus (Consortium for Safe Labor). Gradientboosting överlägsen andra modeller (ROC-AUC 0, 833; PR-AUC 0, 210) när de kombinerade antepartum- och intrapartumfunktioner. Viktiga prediktorer var förlossningssätt, oxytocindos, användning av tocolytika, närvaro av narkosskötare och sjukhustyp, vilket belyser kliniska och systemrelaterade faktorer. Kombinationen av antepartum- och intrapartumdata förbättrade noggrannheten, men precisionen förblev måttlig (~13 %), och kalibreringskurvor visade risköverskattning. Studiebranschens styrkor är det stora multicenter-cohortet och inkluderingen av systemnivåvariabler; begränsningar inkluderar äldre data (2002–2008), imputeringsmetoder och varierande transfusionsgränser, vilket tyder på behov av extern validering på nutida dataset och rättviseskartor som tar hänsyn till ras, försäkring och sjukhuskaraktäristika. 2. Förutsägelse av PPH vid inläggning med maskininlärning och statistiska modeller Venkatesh KK et al. (2020) jämförde logistisk regression, random forest och XGBoost för att förutsäga PPH med data från 152 279 födslar (10 platser i USA; 2002–2008). XGBoost presterade bäst (C-statistik 0, 93), bättre än random forest (0, 92) och logistiska modeller (0, 87). Viktiga variabler var pre-graviditets-/inläggnings-BMI, makrosomi, vitalparametrar, försök till förlossning, gestationsnummer, anemi och spontan förlossning. Förekomsten av PPH varierade från 4, 7–4, 8 %, med en betydligt högre risk på cirka 15 % vid kejsarsnitt jämfört med cirka 0, 6 % vid vaginal förlossning, vilket betonar behovet av förbättrade tröskelvärden och klassbalansering. Studien använde tids- och platsvalidering samt beslutsträdsanalys för att bedöma klinisk nytta. Begränsningar inkluderar föråldrade data och potentiella fel i blodförloringsmätningar. Rekommendationer inkluderar prospektiv extern validering, recalibrering, optimering av beslutsgränser och rättvisegranskningar. 3. Förutsägelse av allvarlig mödradödlighet (SMM) och bedömning av ojämlikheter i Maryland Li Q et al. (2025) använde länkad data från sjukhusadministration och Americans Hospital Association som omfattade 261 226 förlossningar (2016–2019) i Maryland för att förutsäga SMM och undersöka skillnader baserade på ras, inkomst, försäkring och språk.

LASSO-modeller med 18 funktioner nådde ett AUC på cirka 0, 80, vilket var bättre än logistisk regression (AUC ca 0, 69–0, 71); dock var recall lågt på grund av SMM:s sällsynthet (~76 fall per 10 000 förlossningar). Ökad risk för SMM sågs bland icke-hispanisk svart kvinna (riskförhållande ca 2), låginkomsttagare, offentligt försäkrade och icke-engelsktalande. Användning av CDC:s definition av SMM, som exkluderade transfusion, och begränsning till specifika funktioner förbättrade tolkningsbarheten och konvergensen samtidigt som diskrimineringen bibehölls. Styrkor är den stora och länknade datamängden på delstatsnivå samt tydliga analyser av jämställdhet. Begränsningar är låg känslighet för att upptäcka fall, geografisk begränsning och att transfusion inte ingår i SMM-definitionen. Framöver bör fokus ligga på metoder för att hantera klassobalans, beslutsträdsanalyser kopplade till resursallokering och bredare valideringar. 4. Automatiserad fosterbiometri vid 20 veckor från fullständiga ultraljudsfilmer Venturini L et al. (2025) introducerade ett helt automatiserat AI-system för att uppskatta standard fosterbiometriska mått (huvudomkrets, biparietal diamater, bukomkrets, femurlängd) genom att analysera varje bildruta i ultraljudsvideor från iFIND-datasetet (7 309 undersökningar; 1 457 testscanningar, ca 48 miljoner bilder). Systemet kombinerar realtidsklassificering av bildplan (SonoNet), per-bild U-Net-mätning och en bayesiansk blandningsmodell för att sammanställa mått, avvisa avvikare och generera trovärdiga intervall, vilket minimerar operatörs-bias. Mätningar mellan maskin och människa visade nära samstämmighet med mänsklig inter-observatorierlighet (~95 % inom intervallet) för de flesta mått. Att sammanställa alla bildrutor minskade variabiliteten betydligt jämfört med enskilda bilder, och test–retest-variabiliteten var ungefär halva mänsklig variation på olika ultraljudsenheter, vilket visar robusthet. Bayesiska trovärdiga intervall ger tolkbar tillit och blir snävare med mer data. Styrkor är skalan, realtidsapplikationen, reproducerbarheten och osäkerhetsmätningsförmågan. Begränsningar inkluderar begränsad representation av missbildade foster, varierad prestanda för vissa mått (t. ex. transcerebellär diamater) och osäkerhet kring generaliserbarhet till olika ultraljudsteknologier. Rekommendationer är kliniska prövningar med fler foster med avvikelser, platsanpassad modelluppdatering och användarvänlighetstest för att visa konfidensintervall.