Artificial Neural Network Analysis of Spontaneous Preterm Labor and Birth and Its Major Determinants
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.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».