Development and internal validation of a multivariable model to predict perinatal death in pregnancy hypertension
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To develop and internally validate a prognostic model for perinatal death that could guide community-based antenatal care of women with a hypertensive disorder of pregnancy (HDP) in low-resourced settings as part of a mobile health application. STUDY DESIGN: Using data from 1688 women (110 (6.5%) perinatal deaths) admitted to hospital after 32weeks gestation with a HDP from five low-resourced countries in the miniPIERS prospective cohort, a logistic regression model to predict perinatal death was developed and internally validated. Model discrimination, calibration, and classification accuracy were assessed and compared with use of gestational age alone to determine prognosis. MAIN OUTCOME MEASURES: Stillbirth or neonatal death before hospital discharge. RESULTS: The final model included maternal age; a count of symptoms (0, 1 or ⩾2); and dipstick proteinuria. The area under the receiver operating characteristic curve was 0.75 [95% CI 0.71-0.80]. The model correctly identified 42/110 (38.2%) additional cases as high-risk (probability >15%) of perinatal death compared with use of only gestational age <34weeks at assessment with increased sensitivity (48.6% vs. 23.8%) and similar specificity (86.6% vs. 90.0%). CONCLUSION: Using simple, routinely collected measures during antenatal care, we can identify women with a HDP who are at increased risk of perinatal death and who would benefit from transfer to facility-based care. This model requires external validation and assessment in an implementation study to confirm performance.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle