Prediction of Intra-Twin Birth Weight Discordance by Binary Logistic Regression Analysis
Notice bibliographique
Résumé
AIMS: Identification of women at high risk of intra-twin birth weight discordance is helpful in obstetric care of these pregnancies. The aim of this study is to establish an intra-twin birth weight discordance prediction model. METHODS: We created an intra-twin birth weight discordance prediction model by logistic regression, based on the 1995-1997 register twin birth data of the USA. The twin sets were randomly divided into two groups: group 1 to establish the prediction model and group 2 to validate the prediction model. Intra-twin birth weight discordance was defined as birth weight discordance > 25%. The prediction model was validated by receiver operating characteristic curve. RESULTS: A birth weight discordance prediction model including maternal age (beta = 0.069), parity (beta = 0.250), fetal gender concordance (beta = 0.041), maternal hypertension (beta = 0.368), eclampsia (beta = 0.316), other medical complication (beta = 0.165), and smoking (beta = 0.164) was established, yielded a 0.558 area under the receiver operating characteristic curve. The sensitivity, specificity, and positive predictive values were 38.1, 69.7, and 10.8%, respectively, at the cut-off value of 0.09 in group 2. CONCLUSION: A birth weight discordance prediction model that includes seven variables available during pregnancy has been established with acceptable diagnostic 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.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».