← Retour à la cohorte
Achieving accurate estimates of fetal gestational age and personalised predictions of fetal growth based on data from an international prospective cohort study: a population-based machine learning study
Russell Fung, José Villar, Ali Dashti, Leila Cheikh Ismail, Eleonora Staines-Urias, Eric O. Ohuma, Laurent Salomon, César G. Victora, Fernando C. Barros, Ann Lambert, Maria Carvalho, Yasmin A. Jaffer, J. Alison Noble, Michael G. Gravett, Manorama Purwar, Ruyan Pang, Enrico Bertino, Shama Munim, Aung Myat Min, Rose McGready, Shane A. Norris, Zulfiqar A Bhutta, Stephen Kennedy, Aris T. Papageorghiou, A. Ourmazd, SE Abbott, Amina Abubakar, Javier Acedo, Imran Ahmed, F. Al-Aamri, Jumana Alabduwani, Jamila Al-Abri, Dewan S Alam, Elaine Albernaz, Heather A. Algren, F. Al-Habsi, M. Alija, H. Al-Jabri, H. Al-Lawatiya, B. Al-Rashidiya, DG Altman, W.K.S. Al-Zadjali, H. Frank Andersen, Luis Aranzeta, Stephen Ash, Marcello Baricco, Hellen C. Barsosio, C. Batiuk, Maneesh Batra, James A. Berkley, M. K. Bhan, BA Bhat, I. Blakey, S. Bornemeier, Asa Bradman, Miranda Buckle, O Burnham, F.G. Burton, Anne Capp, VI Cararra, Rachael M. Carew, Verena I. Carrara, AA Carter, Mário Henrique Burlacchini de Carvalho, P. Chamberlain, Ismail L Cheikh, A Choudhary, Satender Choudhary, WC Chumlea, Carmen Condon, L.A. Corra, Candace M. Cosgrove, Rachel Craik, MF da Silveira, D. Danelon, Thea de Wet, Elías De León, S Deshmukh, Gail Deutsch, J. Dhami, Nicola P Di, Manjiri Dighe, Helen Dolk, Marlos Rodrigues Domingues, Deepti Dongaonkar, Daniel A. Enquobahrie, Brenda Eskenazi, Farnaz Farhi, Michelle Fernandes, D Finkton, Sandra Costa Fonseca, IO Frederick, Maria Frigerio, P. Gaglioti, Cutberto Garza, G Gilli, P. Gilli, Maria Rosa Giolito, Francesca Giuliani, Jean Golding, MG Gravett, SH Gu, Yusuf Guman, YP He, L. Hoch, S Hussein, Dominique Ibañez, C. Ioannou, N. Jacinta, Nicholas Jackson, YA Jaffer, Sapna Jaiswal, J.M. Jimenez-Bustos, F.R. Juangco, L. Juodvirsiene, Michael B. Katz, B. Kemp, M Ketkar, Vaishali Khedikar, Michael Kihara, J Kilonzo, C. Kisiang’ani, J. Kizidio, CL Knight, HE Knight, N. Kunnawar, A Laister, Ana Langer, T Lephoto, A. Leston, T. T. Lewis, H Liu, Stanley J Lloyd, P. Lumbiganon, Shannon L. Macauley, Elena Maggiora, C Mahorkar, Mark C. Mainwaring, L Malgas, Alícia Matijasevich, Kenneth McCormick, Raymond Miller, Andréia Moreira de Souza Mitidieri, V. Mkrtychyan, B Monyepote, Daniel Marques Mota, I Mulik, D. Muninzwa, N. Musee, Stella Mwakio, Hope Mwangudzah, R. Napolitano, Charles R. Newton, V Ngami, T. Norris, François Nosten, K. Oas, M. Oberto, L Occhi, Roseline Ochieng, E. Ohuma, Elena Olearo, Iván Muñiz Olivera, M.G. Owende, C Pace, Yong Pan, RY Pang, Bhagyshree Patel, Vinod K Paul, W. Paulsene, F. Puglia, Vinothkumar Rajan, Aamir Raza, D. Reade, Juan Á. Rivera, D.A. Rocco, Fenella Roseman, Steven Roseman, Cláudia Rossi, P M Rothwell, I. Rovelli, K. Saboo, Randa Salam, M. Salim, Joyce Sande, Ippokratis Sarris, Sara Savini, IK Sclowitz, Anna C. Seale, Jalpa Shah, Maxine Sharps, C Shembekar, YJ Shen, M. Shorten, Fabio Signorile, Amanpreet Singh, S. Sohoni, A Somani, TK Sorensen, Adam Frisch, Eleonora Staines Urias, Aryeh D. Stein, William Stones, V Taori, K Tayade, Tullia Todros, Ricardo Uauy, A Varalda, M Venkataraman, Sudhir Vinayak, Sarah A. Waller, Leahbell Walusuna, JH Wang, Lili Wang, Sikolia Wanyonyi, D.J. Weatherall, S Wiladphaingern, A Wilkinson, David L. Wilson, MH Wu, QQ Wu, Katharina Wulff, D. Yellappan, Yading Yuan, Shehla Zaidi, Ghulam Zainab, JJ H. Zhang, Y Zhang
Notice bibliographique
RevueThe Lancet Digital Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiquePregnancy and preeclampsia studies
Établissements canadiensHospital for Sick Children
Organismes subventionnairesBasic Energy SciencesOffice of ScienceNational Institute for Health and Care ResearchBill and Melinda Gates FoundationUniversity of OxfordU.S. Department of EnergyEuropean Research CouncilNational Institutes of HealthNational Science Foundation
Mots-clésGestational ageFetusMedicineContext (archaeology)ObstetricsPopulationGestationPregnancyConfidence intervalProspective cohort studyGeneration RSmall for gestational ageInternal medicineBiologyEnvironmental health
Résumé
OpenAlex consigne un résumé pour ce travail, mais il n'a pas pu être récupéré à l'instant.
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.
score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,057
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,149
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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.
Tête enseignante Opus0,075
Tête enseignante GPT0,359
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation
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.
Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».
En bref
Citations79
Publié2020
Routes d'admission1
Résumé présentoui