Classifying Gestational Weight Gain Trajectories Using the<scp>SITAR</scp>Growth Model
Notice bibliographique
Résumé
BACKGROUND: Gestational weight gain is often characterized by the total amount of weight gained during pregnancy, however, the pattern of gain may be an important determinant of health outcomes. The SITAR (Super Imposition by Translation And Rotation) model has been used to describe childhood growth trajectories and has appeal because of the biological interpretability of its parameters. The objective of this study was to determine the feasibility of applying this model to gestational weight gain trajectories. METHODS: The study cohort included 3470 normal-weight, overweight, and obese women delivering at Magee-Womens Hospital in Pittsburgh, Pennsylvania, 1998 to 2010. We applied the SITAR model, a non-linear mixed effects model, to serial prenatal weight gain measurements in each pre-pregnancy body mass index (BMI) category. We fit models of varying complexity, and chose the best-fitting model to describe the pattern of weight gain (by its absolute amount, timing, and acceleration) for each BMI group. RESULTS: The most complex SITAR models failed to converge, but reduced models could successfully be fit by specifying fewer random effects and simplifying the modelling of gestational age. Best-fitting models for each BMI group explained between 95% and 97% of the variation in weight gain trajectories. Peak rates of weight gain were reached between the 20th and 22nd weeks, and were higher for normal and overweight women (0.59 kg/week and 0.57 kg/week, respectively) than obese women (0.46 kg/week). CONCLUSIONS: Following some modifications, the SITAR model can be used to characterize pregnancy weight gain patterns.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».