Use of Placental Growth Factor (PLGF) for Aneuploidy Screening in Pregnancy: A Systematic Review [38K]
Notice bibliographique
Résumé
INTRODUCTION: Placental growth factor (PLGF) is a protein of trophoblastic origin. Whether addition of PLGF to combined serum aneuploidy screening tests improves detection rates for trisomy 21 is controversial. METHODS: We performed a systematic review of the literature until August 2019. We performed a goodness of fit test and retrieved the coefficient of determinations (R2) before and after the introduction of PGLF, as a function of false positive rates. Receiver-operating characteristic curves are provided in order to illustrate findings. RESULTS: We identified a total of 51 studies, of which 8 met inclusion criteria. Three prospective and five case-control studies included a total of 834 aneuploidy cases and 105,904 euploid control pregnancies. Detection rates (DR) were proportional to false-positive rates (FPR) across all studies, and ranged from 59.0% to 95.3% without the use of PLGF and 61.0% to 96.3% with PLGF (FPR 1% to 5%). Goodness of fit regression analysis revealed a logarithmic distribution of DR with R2=0.109 in the no PLGF group and R2=0.06 in the PLGF group. These indicate a large variation between DR for a given FPR across studies. Our analysis demonstrates average improvements in DR of 3.3% for a 1% FPR, 1.7% for a 3% FPR, and 1.4% for a 5% FPR. CONCLUSION: Addition of PLGF to prenatal screening using serum analytes mildly improves trisomy 21 detection rates between 1.4 and 3.3% for FPR’s between 5% and 1%, respectively. Future studies should address the cost-benefit analysis of introducing PLGF for prenatal screening.
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 | 0,009 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».