A simple model to predict risk of gestational diabetes mellitus from 8 to 20 weeks of gestation in Chinese women
Notice bibliographique
Résumé
BACKGROUND: Gestational diabetes mellitus (GDM) is associated with adverse perinatal outcomes. Screening for GDM and applying adequate interventions may reduce the risk of adverse outcomes. However, the diagnosis of GDM depends largely on tests performed in late second trimester. The aim of the present study was to bulid a simple model to predict GDM in early pregnancy in Chinese women using biochemical markers and machine learning algorithm. METHODS: Data on a total of 4771 pregnant women in early gestation were used to fit the GDM risk-prediction model. Predictive maternal factors were selected through Bayesian adaptive sampling. Selected maternal factors were incorporated into a multivariate Bayesian logistic regression using Markov Chain Monte Carlo simulation. The area under receiver operating characteristic curve (AUC) was used to assess discrimination. RESULTS: The prevalence of GDM was 12.8%. From 8th to 20th week of gestation fasting plasma glucose (FPG) levels decreased slightly and triglyceride (TG) levels increased slightly. These levels were correlated with those of other lipid metabolites. The risk of GDM could be predicted with maternal age, prepregnancy body mass index (BMI), FPG and TG with a predictive accuracy of 0.64 and an AUC of 0.766 (95% CI 0.731, 0.801). CONCLUSIONS: This GDM prediction model is simple and potentially applicable in Chinese women. Further validation is necessary.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».