Are pregnancy outcomes associated with risk factor reporting in routinely collected perinatal data?
Notice bibliographique
Résumé
AIM: To assess reporting characteristics of commonly dichotomised pregnancy outcomes (e.g. preterm/term birth); and to investigate whether behaviours (e.g. smoking), medical conditions (e.g. diabetes) or interventions (e.g. induction) were reported differently by pregnancy outcomes. METHODS: Further analysis of a previous validation study was undertaken, in which 1680 perinatal records were compared with data extracted from medical records. Continuous and polytomous variables were dichotomised, and risk factor reporting was assessed within the dichotomised outcome groups. Agreement, kappa, sensitivity and positive predictive value calculations were undertaken. RESULTS: Gestational age, birthweight, Apgar scores, perineal trauma, regional analgesia and baby discharge status (live birth/stillbirth) were reported with high accuracy and reliability when dichotomised (kappa values 0.95-1.00, sensitivities 94.7-100.0%). Although not statistically significant, there were trends for hypertension, infant resuscitation and instrumental birth to be more accurately reported among births with adverse outcomes. In contrast, smoking ascertainment tended to be poorer among preterm births and when babies were <2500 g. CONCLUSION: Dichotomising variables collected as continuous or polytomous variables in birth data results in accurate and well ascertained data items. There is no evidence of systematic differential reporting of risk factors.
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 | 0,103 | 0,372 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».