Early prediction of gestational diabetes: a practical model combining clinical and biochemical markers
Notice bibliographique
Résumé
BACKGROUND: Gestational diabetes (GDM) is usually diagnosed late in pregnancy, precluding early preventive interventions. This study aims to develop a predictive model based on clinical factors and selected biochemical markers for the early risk assessment of GDM. METHODS: Based on a prospective cohort of 7929 pregnant women from the Quebec City metropolitan area, a nested case-control study was performed including 264 women who developed GDM. Each woman who developed GDM was matched with two women with normal glycemic profile. Risk prediction models for GDM and GDM requiring insulin therapy were developed using multivariable logistic regression analyses, based on clinical characteristics and the measurement of three clinically validated biomarkers: glycated hemoglobin (HbA1c), sex hormone binding globulin (SHBG) and high-sensitivity C-reactive protein (hsCRP) measured between 14 and 17 weeks of gestation. RESULTS: HbA1c and hsCRP were higher and SHBG was lower in women who developed GDM (p<0.001). The selected model for the prediction of GDM, based on HbA1c, SHBG, BMI, past history of GDM, family history of diabetes and soft drink intake before pregnancy yielded an area under the ROC curve (AUC) of 0.79 (0.75-0.83). For the prediction of GDM requiring insulin therapy, the selected model including the same six variables yielded an AUC of 0.88 (0.84-0.92) and a sensitivity of 68.9% at a false-positive rate of 10%. CONCLUSIONS: A simple model based on clinical characteristics and biomarkers available early in pregnancy could allow the identification of women at risk of developing GDM, especially GDM requiring insulin therapy.
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 | 0,003 | 0,008 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».