MétaCan
Menu
Retour à la cohorte
Enregistrement W3139012567 · doi:10.1097/ede.0000000000001349

Accounting for Repeat Pregnancies in Risk Prediction Models

2021· article· en· W3139012567 sur OpenAlexaff
Sonia M. Grandi, Kristian B. Filion, Jennifer A. Hutcheon, Laura C. Rosella, Robert W. Platt

Notice bibliographique

RevueEpidemiology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiquePregnancy and preeclampsia studies
Établissements canadiensMcGill University Health CentrePublic Health OntarioUniversity of British ColumbiaMcGill UniversityUniversity of TorontoJewish General Hospital
Organismes subventionnairesnon disponible
Mots-clésCensoring (clinical trials)MedicineCohortPredictive modellingStatisticCohort studyObstetricsStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In perinatal epidemiology, the development of risk prediction models is complicated by parity; how repeat pregnancies influence the predictive accuracy of models that include obstetrical history is unclear. METHODS: To assess the influence of repeat pregnancies on the association between predictors and the outcomes, as well as the influence of ignoring the nonindependence between pregnancies, we created four analytical cohorts using the Clinical Practice Research Datalink. The cohorts included (1) first deliveries, (2) a random sample of one delivery per woman, (3) all eligible deliveries per woman, and (4) all eligible deliveries and censoring of follow-up at subsequent pregnancies. Using Plasmode simulations, we varied the predictor-outcome association across cohorts. RESULTS: We found minimal differences in the relative contribution of predictors to the overall predictions and the discriminative accuracy of models in the cohort of randomly sampled deliveries versus the all deliveries cohort (C-statistic: 0.62 vs. 0.63; Nagelkerke's R2: 0.03 for both). Accounting for clustering and censoring upon subsequent pregnancies also had negligible influence on model performance. We found important differences in model performance between the models developed in the cohort of first deliveries and the random sample of deliveries. CONCLUSIONS: In our study, a model including first deliveries had the best predictive accuracy but was not generalizable to women of varying parities. Moreover, including repeat pregnancies did not improve the predictive accuracy of the models. Multiple models may be needed to improve the transportability and accuracy of prediction models when the outcome of interest is influenced by parity.

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 enseignants

Ni 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)0,059
score de la tête « metaresearch » (Gemma)0,156
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,312

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,156
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,002
Communication savante0,0030,004
Science ouverte0,0040,003
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,093
Tête enseignante GPT0,338
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEpidemiologyMême sujetPregnancy and preeclampsia studiesTravaux en français237 207