Accounting for Repeat Pregnancies in Risk Prediction Models
Notice bibliographique
Résumé
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 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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».