目的  评估产科智能助手在预测阴道分娩产后出血中的临床应用价值 。   方法  采用回顾性队列研究方法，纳入 2023 年 5 月至 2025 年 4 月广州医科大学附属第三医院收治的 4 832 例孕周≥26 周的经阴道分娩产妇，根据是否发生产后出血（胎儿娩出 24 h 内失血量≥500 ml）分为产后出血组（382 例）及非产后出血组（4 450 例）。 基于传统统计学方法，应用支持向量机和极限梯度提升等机器学习方式，额外增加深度学习的方式，构建了一个全新的人工神经网络模型——产科智能助手，对产后出血与否，以及出血量进行更加细致的划分 。产科智能助手基于 70 项产前和产时危险因素，通过与医院信息系统对接，实现风险概率的可视化输出 。采用受试者工作特征曲线分析比较产科智能助手与另外 4 种传统预测工具（中国产房红绿灯，美国女性健康 、产科与新生儿护士协会，美国妇产科医师学会安全孕产倡议，以及美国加利福尼亚州孕产妇优质保健协会预测工具）预测产后出血 的 效 能 。  

（一）目标设定 1. 研发并应用基于人工智能技术的产科智能助手，实现对阴道分娩产后出血的动态、精准预测，提升预测效能，产前预测 AUC 达到 0.8 以上，产时预测 AUC 达到 0.78 以上，灵敏度和特异度均优于传统预测工具。 2. 构建完善的产后出血风险评估与管理体系，通过产科智能助手识别产后出血高危人群，指导制定孕产妇分级管理策略，降低产后出血漏诊率和误诊率，提高产后出血预防和救治的及时性、有效性，最终降低孕产妇因产后出血导致的不良结局发生率。

（二）措施制定 1. 产科智能助手研发：基于传统统计学方法，结合支持向量机、极限梯度提升等机器学习方式及深度学习技术，构建全新人工神经网络模型。该模型与智能硬件结合，通过与医院信息系统对接，自动收集 70 项产前和产时危险因素，包括孕妇基本信息、既往史、现病史、产时情况及各项检查指标等，实现风险概率可视化输出，具备分阶段动态预测产后出血及出血量的功能。 2. 数据收集与分析：开展回顾性队列研究，收集 2023 年 5 月至 2025 年 4 月广州医科大学附属第三医院经阴道分娩的孕产妇数据，纳入孕周≥26 周、资料齐全的孕产妇，排除数据异常病例后，对有效病例进行分组分析，比较产后出血组与非产后出血组间产前和产时危险因素的差异，为产科智能助手的优化和验证提供数据支持。 3. 人员培训与推广：对产科医护人员进行产科智能助手使用方法及产后出血风险评估与管理相关知识培训，确保医护人员能够熟练操作该工具，准确解读预测结果，并将其应用于临床实践，实现对孕产妇产后出血风险的有效评估和管理。 4. 质量控制与监测：建立产后出血 PDCA 持续性改进质量控制体系，制定详细的监测指标，如产后出血预测准确率、漏诊率、误诊率、高危孕产妇识别率、产后出血救治及时率及不良结局发生率等，定期对产科智能助手的预测效能和产后出血管理效果进行监测和评估。

 产科智能助手预测效能评估 1. 对比分析产科智能助手与传统预测工具（产房红绿灯、AWHONN、ACOG SMI、CMQCC）在产前和产时预测产后出血的效能，通过受试者工作特征曲线及曲线下面积（AUC）、灵敏度、特异度、阳性预测值和阴性预测值等指标进行评估。 2. 结果显示，产科智能助手产前预测 AUC 为 0.826（95% CI：0.774-0.838），灵敏度为 0.794，特异度为 0.712；产时预测 AUC 为 0.786（95% CI：0.751-0.820），灵敏度为 0.837，特异度为 0.762。而 4 种传统预测工具产前 AUC 范围为 0.569-0.586，产时 AUC 范围为 0.600-0.613，产科智能助手预测效能显著优于传统预测工具，达到了预设的目标要求。  

持续改进计划制定 1. 建立产后出血 PDCA 持续性改进长效机制，定期对产科智能助手的预测效能和产后出血管理效果进行评估和总结，根据评估结果和临床需求变化，不断调整和完善改进措施，持续提升产后出血预测和管理水平。 2. 计划开展多中心、大样本的临床研究，进一步验证产科智能助手的有效性和适用性，收集更多不同地区、不同医院的临床数据，对模型进行优化和完善，扩大工具的适用范围。 3. 关注产后出血防治领域的最新研究进展和技术创新，及时将新的危险因素、预测方法和救治技术整合到产科智能助手和产后出血管理体系中，保持改进工作的先进性和时效性。