Accurate prediction of gestational age using newborn screening analyte data
Notice bibliographique
Résumé
BACKGROUND: Identification of preterm births and accurate estimates of gestational age for newborn infants is vital to guide care. Unfortunately, in developing countries, it can be challenging to obtain estimates of gestational age. Routinely collected newborn infant screening metabolic analytes vary by gestational age and may be useful to estimate gestational age. OBJECTIVE: We sought to develop an algorithm that could estimate gestational age at birth that is based on the analytes that are obtained from newborn infant screening. STUDY DESIGN: We conducted a population-based cross-sectional study of all live births in the province of Ontario that included 249,700 infants who were born between April 2007 and March 2009 and who underwent newborn infant screening. We used multivariable linear and logistic regression analyses to build a model to predict gestational age using newborn infant screening metabolite measurements and readily available physical characteristics data (birthweight and sex). RESULTS: The final model of our metabolic gestational dating algorithm had an average deviation between observed and expected gestational age of approximately 1 week, which suggests excellent predictive ability (adjusted R-square of 0.65; root mean square error, 1.06 weeks). Two-thirds of the gestational ages that were predicted by our model were accurate within ±1 week of the actual gestational age. Our logistic regression model was able to discriminate extremely well between term and increasingly premature categories of infants (c-statistic, >0.99). CONCLUSION: Metabolic gestational dating is accurate for the prediction of gestational age and could have value in low resource settings.
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 | 0,001 | 0,003 |
| 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 ».