PlGF (Placental Growth Factor) Testing in Clinical Practice: Evidence From a Canadian Tertiary Maternity Referral Center
Notice bibliographique
Résumé
There is little evidence evaluating angiogenic growth factor testing in real-world obstetric settings. This investigation evaluated maternal and perinatal pregnancy outcomes associated with maternal PlGF (placental growth factor) levels in real-world clinical care of high-risk pregnancies. From March 2017 to December 2019, 979 pregnant women with suspected risk of placental dysfunction, hypertensive disorders of pregnancy, or fetal growth restriction completed PlGF testing between 20+0 and 35+6 weeks of gestation. Maternal, fetal, and delivery characteristics were extracted through the electronic medical record system. The primary outcome of preterm birth was assessed using Royston-Parmar survival models and summarized with Kaplan-Meier methods. Of the 979 pregnant women, 289 had low PlGF levels (29.5%), and 690 had normal PlGF levels (70.5%). The survival probability of ongoing pregnancy free from preterm birth within 2- and 4-weeks following PlGF testing was significantly reduced in women with low PlGF levels, relative to women with normal PlGF levels (0.57 versus 0.99, standardized survival difference, −0.43 [95% CI, −0.76 to −0.09], and 0.37 versus 0.99, standardized survival difference, −0.62 [95% CI −0.87 to −0.38], respectively). Women with low PlGF levels were more likely to develop early-onset preeclampsia (adjusted odds ratio, 58.2 [95% CI, 32.1–105.4]) and have a stillbirth (adjusted odds ratio, 15.9 [95% CI, 7.6–33.3]). PlGF status distinguished placental from fetal causes of stillbirth. Low PlGF levels in high-risk pregnant women are strongly associated with increased rates of imminent preterm birth, as well as related adverse outcomes, including early-onset preeclampsia and stillbirth.
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 | 0,000 | 0,005 |
| 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 | 0,001 |
| 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 ».