Development and Validation of a Risk Prediction Model for Cesarean Delivery After Labor Induction
Notice bibliographique
Résumé
Objective: The goal of the study was to develop and validate a prediction model for cesarean delivery after labor induction that included factors known before the start of induction, unlike prior studies that focused on characteristics at the time of induction. Materials and Methods: Using 17,370 term labor inductions without documented medical indications occurring at 14 U.S. hospitals, 2007–2012, we created and evaluated a model predicting cesarean delivery. We assessed model calibration and discrimination, and we used bootstrapping for internal validation. We externally validated the model by using 2122 labor inductions from a hospital not included in the development cohort. Results: The model contained eight variables—gestational age, maternal race, parity, maternal age, obesity, fibroids, excessive fetal growth, and history of herpes—and was well calibrated with good risk stratification at the extremes of predicted probability. The model had an area under the curve (AUC) for the receiver operating characteristic curve of 0.82 (95% confidence interval 0.81–0.83), and it performed well on internal validation. The AUC in the external validation cohort was 0.82. Conclusion: This prediction model can help providers estimate a woman's risk of cesarean delivery when planning a labor induction.
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 | 0,000 |
| 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 ».