The performance of risk prediction models for pre‐eclampsia using routinely collected maternal characteristics and comparison with models that include specialised tests and with clinical guideline decision rules: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Risk prediction models may be valuable to identify women at risk of pre-eclampsia to guide aspirin prophylaxis in early pregnancy. OBJECTIVE: To assess the performance of 'simple' risk models for pre-eclampsia that use routinely collected maternal characteristics; compare with 'specialised' models that include specialised tests; and to guideline recommended decision rules. SEARCH STRATEGY: MEDLINE, Embase and PubMed were searched to June 2014. SELECTION CRITERIA: We included studies that developed or validated pre-eclampsia risk models using maternal characteristics with or without specialised tests and reported model performance. DATA COLLECTION AND ANALYSIS: We extracted data on study characteristics; model predictors, validation and performance including area under the curve (AUC), sensitivity and specificity. MAIN RESULTS: We identified 29 studies that developed 70 models including 22 simple models. Studies included 151-9149 women with a pre-eclampsia prevalence of 1.2-9.5%. No single predictor was included in all models. Four simple models were externally validated, with a model using parity, pre-eclampsia history, race, chronic hypertension and conception method to predict early-onset pre-eclampsia achieving the highest AUC (0.76, 95% CI 0.74-0.77). Nine studies comparing simple versus specialized models in the same population reported AUC favouring specialised models. A simple model achieved fewer false positives than a guideline recommended risk factor list, but sensitivity to classify risk for aspirin prophylaxis was not assessed. CONCLUSION: Validated simple pre-eclampsia risk models demonstrate good risk discrimination that can be improved with specialised tests. Further research is needed to determine their clinical value to guide aspirin prophylaxis compared with decision rules. TWEETABLE ABSTRACT: Pre-eclampsia risk models using maternal factors show good risk discrimination to guide aspirin prophylaxis.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».