زایمان ایمن یکی از مؤلفه‌های کلیدی در ارتقای سلامت خانواده و دستیابی به توسعه پایدار نظام سلامت محسوب می‌شود. شناسایی و مدیریت به‌موقع عوامل پرخطر در زایمان طبیعی، نقش تعیین‌کننده‌ای در کاهش عوارض، ارتقای کیفیت خدمات درمانی و افزایش رضایتمندی مادران دارد. پژوهش حاضر باهدف تحلیل داده‌محور این عوامل و ارائه الگویی پیش‌بینانه در بستر داده‌کاوی انجام شده است. در این مطالعه، داده‌های مرتبط با مراقبت‌های حین و پس از زایمان توسط تیمی متشکل از پانزده تکنسین مامایی گردآوری و پس از مرحله پاک‌سازی، بر پایه متدولوژی کریسپ دی‌ام پردازش گردید. سه عامل اپی‌زیوتومی، خونریزی شدید و طولانی‌شدن فرایند زایمان به‌عنوان مهم‌ترین عوامل پرخطر انتخاب شدند و مدل‌سازی پیش‌بینی با استفاده از سه رویکرد مجزا شامل: بهره‌گیری از تمامی ویژگی‌ها، انتخاب ویژگی‌ها با نظر خبرگان و انتخاب ویژگی با استفاده از روش‌های انتخاب مشخصه انجام پذیرفت. برای ارزیابی عملکرد مدل‌ها، از هفت الگوریتم داده‌کاوی شامل درخت تصمیم، آدابوست، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، بگینگ،K -نزدیک‌ترین همسایه و بیز ساده استفاده شد. نتایج حاصل نشان داد که در رویکرد دوم، الگوریتم‌ها عملکرد بهتری نسبت به رویکرد اول داشته‌اند و دقت مدل‌ها در بازه‌ای بین ۷۱٫۶۷ ٪ تا ۹۷٫۱۷ ٪ متغیر بوده است. همچنین، در رویکرد سوم که تمرکز بر پیش‌بینی بهینه یکی از عوامل خطر (خونریزی شدید) داشت، دقت پیش‌بینی افزایش یافت. این مسئله نشان می‌دهد که استفاده از روش‌های انتخاب مشخصه می‌تواند دقت برخی از الگوریتم‌ها را بهبود بخشد. یافته‌های این تحقیق بیانگر آن است که بهره‌گیری از رویکرد داده‌محور در شناسایی و پیش‌بینی عوامل پرخطر زایمان، علاوه بر افزایش ایمنی مادر و نوزاد، می‌تواند به بهینه‌سازی منابع، کاهش هزینه‌های غیرضروری درمان و تسهیل تصمیم‌گیری‌های بالینی کمک نماید. همچنین نتایج حاصله ظرفیت آن را دارند که به‌عنوان مبنایی کاربردی در تدوین سیاست‌های سلامت‌محور و برنامه‌ریزی برای ارتقای کیفیت خدمات زایمانی مورداستفاده قرار گیرند.
