Artificial Neural Network Analysis of Spontaneous Preterm Labor and Birth and Its Major Determinants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Little research based on the artificial neural network (ANN) is done on preterm birth (spontaneous preterm labor and birth) and its major determinants. This study uses an ANN for analyzing preterm birth and its major determinants. METHODS: Data came from Anam Hospital in Seoul, Korea, with 596 obstetric patients during March 27, 2014 - August 21, 2018. Six machine learning methods were applied and compared for the prediction of preterm birth. Variable importance, the effect of a variable on model performance, was used for identifying major determinants of preterm birth. Analysis was done in December, 2018. RESULTS: The accuracy of the ANN (0.9115) was similar with those of logistic regression and the random forest (0.9180 and 0.8918, respectively). Based on variable importance from the ANN, major determinants of preterm birth are body mass index (0.0164), hypertension (0.0131) and diabetes mellitus (0.0099) as well as prior cone biopsy (0.0099), prior placenta previa (0.0099), parity (0.0033), cervical length (0.0001), age (0.0001), prior preterm birth (0.0001) and myomas & adenomyosis (0.0001). CONCLUSION: For preventing preterm birth, preventive measures for hypertension and diabetes mellitus are required alongside the promotion of cervical-length screening with different guidelines across the scope/type of prior conization.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle