Prediction of small for gestational age by logistic regression in twins
Notice bibliographique
Résumé
BACKGROUND: Small for gestational age (SGA) is one of the major determinants of perinatal mortality and morbidity, and may relate in adult diseases. Early prediction of SGA could be helpful for health care providers and public health workers in guiding antenatal management and prevention. The reported methods of SGA prediction are not satisfactory because the diagnostic performance is poor and the interval between prediction and delivery is too short. AIMS: To establish a SGA prediction model for twin pregnancies based on variables obtainable in early gestation. METHODS: We used a large twin registry United States data (1995-1997). The study subjects were randomly divided into two groups: group 1 to establish the prediction model by logistic regression and group 2 to validate the prediction model. SGA was defined as birth weight for gestational age z scores less than 10th percentiles. Pair of twin was the unit of analysis. Two sets of multiple logistic regression analyses with different outcome measures - one or both twins SGAs and both twins SGAs - were used to establish the prediction model. RESULTS: The sensitivity, specificity, and positive predictive value were 52.3, 62.5, and 21.5%, respectively, at the cutoff value 0.16 in a SGA prediction model based on maternal race, education, marital status, parity, prenatal care visit initiation, cigarette smoking, and paternal race. CONCLUSIONS: A prediction model based on determinants that can be obtained at early gestation might be useful in the management of pregnancies with high risk of SGA in twins.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».