Makine Öğrenimini Kullanarak Anne ve Fetüs Sağlığı Sonuçlarını Geliştirme 1. Yapay Zeka ile Doğum Sonrası Kanama (PPH) ve Transfüzyon Tahmini Ahmadzia HK ve arkadaşları (2024), U. S. devlet hastanelerinde bulunan 185. 000’den fazla doğumdan alınan verileri kullanarak, gradient boosting gibi çeşitli ML modelleri geliştirdi. Bu modeller, PPH (≥1000 mL kan kaybı) ve kan transfüzyonu ihtiyacını öngörmekteydi. Antepartum ve intrapartum özelliklerinin kombinasyonunda gradient boosting diğerlerini geçti (ROC-AUC 0. 833; PR-AUC 0. 210). Anahtar prediktörler arasında doğum şekli, oksitosin dozu, tokolitik kullanımı, anestezi hemşiresinin varlığı ve hastane tipi yer aldı; bu da klinik ve sistemsel faktörlerin önemli olduğunu gösterdi. Birlikte kullanıldığında doğruluk artsa da, kesinlik hâlâ sınırlı kaldı (~%13) ve kalibrasyon eğrileri, riskin aşırı tahmin edildiğine işaret etti. Çalışmanın güçlü yanları büyük çok merkezli kohort ve sistem seviyesindeki değişkenlerin dahil edilmesi iken, sınırlamalar arasında eski tarihli veriler (2002–2008), imputation yöntemleri ve farklı transfüzyon eşik değerleri bulunuyor. Bu, güncel ve ırk, sigorta, hastane özelliklerini göz önüne alan adil değerlendirmelerin yapılması gerektiğini ortaya koyuyor. 2. ML ve İstatistiksel Modellerle Doğum Öncesi PPH Tahmini Venkatesh KK ve arkadaşları (2020), 152. 279 doğumdan alınan verilerle (10 U. S. sitesi; 2002–2008) lojistik regresyon varyantları, rastgele orman ve XGBoost kullanarak PPH tahmini yaptı. En yüksek performans XGBoost’la (C-istatistiği 0. 93) elde edildi; onu sırasıyla rastgele orman (0. 92) ve lojistik modeller (0. 87) izledi. En önemli değişkenler arasında pregebalık/adıma ilişkin BMI, makrozomi, hayati bulgular, deneme doğumu, gebelik sayısı, anemi ve spontan doğum vardı. PPH insidansı %4, 7–%4, 8 arasında değişirken, sezaryenlerde risk yaklaşık %15 iken, vajinal doğumlarda yaklaşık %0, 6 idi; bu da sınıf dengesizliği ve eşik belirlemenin önemini gösteriyor. Çalışma, zaman ve site doğrulaması ile klinik faydayı değerlendirmek adına karar eğrisi analizi kullandı.

Eski veriler ve kan kaybı ölçüm hataları gibi sınırlamalar bulunuyor. Gelecekte, prospektif dış validasyon, yeniden kalibrasyon ve adil değerlendirme öneriliyor. 3. Maryland’de Şiddetli Anne Babalık Bozukluklarının (SMM) Tahmini ve Eşitsizliklerin İncelenmesi Li Q ve arkadaşları (2025), Maryland’de 2016–2019 yıllarını kapsayan 261. 226 doğumu içeren bağlı hastane idari ve Amerikan Hastaneler Birliği verisiyle SMM’yi tahmin etti ve ırk, gelir, sigorta ve dil bazında eşitsizlikleri inceledi. 18 özellik içeren LASSO modelleri, yaklaşık 0. 80’lik AUC ile en iyi sonucu verirken, lojistik regresyon (AUC yaklaşık 0. 69–0. 71) daha düşük kaldı; yine de, SMM’nin nadir olması nedeniyle recall düşük seviyedeydi (~10. 000’de 76 vaka). Artan SMM riski özellikle Hispanik olmayan Siyah kadınlarda (risk oranı yaklaşık 2), düşük gelirlilerde, kamu sigortası olanlarda ve yabancı dil konuşanlarda gözlendi. Transfüsyonu içermeyen CDC tanımı ve özelliklerin sınırlandırılması, yorumlamayı kolaylaştırdı ve tutarlı sonuçlar sağladı. Büyük ve eyalet çapında veri kullanımı ile açık eşitsizlik analizleri güçlü yönler olurken; düşük duyarlılık, coğrafi sınırlamalar ve transfüsyonu hariç tutma gibi sınırlamalar da var. Gelecekte, sınıf dengesizliğiyle başa çıkma, karar eğrisi analizleri ve geniş çapta doğrulama öncelikli olmalı. 4. Tüm Ultrason Görüntülerinden Otomatik 20 Haftalık Fetüs Biyometrisi Venturini L ve arkadaşları (2025), iFIND veri setinden alınan 20 haftalık ultrason görüntülerinin her karesini analiz ederek, standard fetal biyometrik ölçümleri (baş çevresi, biparietal çap, abdominal çevre, femur uzunluğu) tamamen otomatik bir yapay zeka sistemiyle tahmin etti. Sistem, gerçek zamanlı plan sınıflandırma (SonoNet), kare bazında U-Net ile ölçüm ve Bayesian karışım modeli kullanarak ölçümleri toplar, aykırı değerleri eler ve güven aralıkları oluşturur; böylece operatör önyargısı minimize edilir. Makine ve insan ölçümleri arasındaki farklar, çoğu ölçümde insanlar arası değişkenlikle uyumlu (yaklaşık %95 içinde) bulundu. Tüm karelerin toplanması, tek kare tahminlerine kıyasla, değişkenliği ciddi ölçüde azalttı ve tekrar test sonuçları, farklı ultrason cihazlarında insan değişkenliğinin yaklaşık yarısı kadar çıktı, bu da sistemin dayanıklılığını gösteriyor. Bayesian güven aralıkları, anlaşılır güven sağlar ve veri arttıkça daha sıkı hale gelir. Güçlü yönler; ölçek, gerçek zamanlı uygulama, tekrarlanabilirlik ve belirsizlik ölçümü iken, sınırlamalar arasında, anormal fetus temsilinin azlığı, değişen ölçüm performansı ve genel geçerlik sorguları bulunuyor. Klinik denemeler, anormalliklerin zenginleştirildiği çalışmalar, sahalara özgü model güncellemeleri ve güven aralıklarını gösteren kullanışlılık testleri öneriliyor. İngilizce kaynaklar ve küresel dijital sağlık alanındaki en son araştırmalar için ilgili bağlantıları takip edebilirsiniz.