Prevention of postpartum haemorrhage: a distributional approach for analysis
Notice bibliographique
Résumé
BACKGROUND: There is empirical evidence that measured postpartum blood loss has a lognormal distribution. This feature can be used to analyze events of the type 'blood loss greater than a certain cutoff point' using a lognormal approach, which takes into account all the quantitative observations, as opposed to dichotomizing the variable blood loss volume into two categories. This lognormal approach uses all the information contained in the data and is expected to provide more efficient estimates of proportions and relative risk when comparing treatments to prevent postpartum haemorrhage. As a consequence, sample size can be reduced in clinical trials, while keeping the statistical precision requirements. METHODS: The authors illustrate how a lognormal approach can be used in this situation, using data from a clinical trial and the event 'blood loss greater than 1000 mL'. RESULTS: Estimates of the proportions of this event for each treatment, and relative risks obtained with this method are presented and compared with the standard estimates obtained by dichotomizing measured blood loss volume. An example of how the blood loss distributions of two treatments can be compared is also presented. Different scenarios of the sample size needed to compare two treatments or interventions are presented to illustrate how with the lognormal approach the size of a clinical trial can be reduced. CONCLUSIONS: A distributional approach for postpartum blood loss using the lognormal distribution fitted to the data results in more precise estimates of risks of events and relative risks, compared to the use of binomial proportions of events. It also results in reduced required sample size for clinical trials. TRIAL REGISTRATION: This paper reports a secondary analysis for a trial that was registered at clinicaltrials.gov ( NCT00781066 ).
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 | 0,083 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».