Artificial Intelligence in Perinatal Medicine: A Systematic Review of Current Applications, Limitations, and a Translational Roadmap for the Foundation-Model Era
Notice bibliographique
Résumé
Abstract Artificial intelligence (AI) is increasingly applied across perinatal care, yet the maturity of the evidence base and its readiness for routine practice remain uncertain. We conducted a preferred reporting items for systematic reviews and meta-analyses (PRISMA)-2020 systematic review to map applications, appraise quality, and outline translational requirements. We searched PubMed/MEDLINE, Embase, Scopus, Web of Science, IEEE Xplore, Cochrane Library, ClinicalTrials.gov/ICTRP, and medRxiv/bioRxiv from 2000 to 2 September 2025. Two reviewers independently screened records and extracted data, with disagreements resolved by a third reviewer. Eligibility criteria included human perinatal studies reporting AI model development or validation, prospective cohorts or trials, detailed protocols with explicit AI methods, and systematic or scoping reviews on applications, ethics, or equity. Studies that were nonAI, nonperinatal, abstract-only, or nonEnglish without translation were excluded. Risk of bias was assessed using the Newcastle–Ottawa Scale (observational), A Measurement Tool to assess systematic reviews, version 2 (AMSTAR-2) (systematic reviews), and risk of bias in systematic reviews (ROBIS) (reviews/scoping reviews). Heterogeneity precluded meta-analysis; synthesis followed synthesis without meta-analysis (SWiM) principles. Thirty-six studies met inclusion criteria, with twenty designated as a pre-specified “core” set based on decision relevance and quality. Applications spanned preconception (fertility, maternal risk), antenatal (FGR, preeclampsia, preterm birth, anomalies), intrapartum (delivery mode/timing, fetal monitoring), and neonatal outcomes (pulmonary hemorrhage, composite morbidity). Across imaging-plus-clinical and EHR-based models, discrimination often exceeded baseline tools, while calibration, external or temporal validation, subgroup performance, code/data availability, and impact evaluation were inconsistently reported. Limitations include retrospective designs, single-site datasets, outcome heterogeneity, English-language restriction, and publication bias. AI in perinatal medicine shows technical promise but uneven clinical readiness. We propose a staged roadmap emphasizing standardized data and reporting, multi-site and temporal validation with recalibration, interoperable workflow delivery, privacy-preserving and fair learning, and continuous calibration, uncertainty, and drift monitoring. Registration: none; funding: none.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».