Distinct maternal and fetal pregnancy outcomes in women with sickle cell disease can be predicted using routine clinical and laboratory data
Notice bibliographique
Résumé
We aimed to identify risk factors for adverse outcomes in pregnancies of women with sickle cell disease (SCD) and develop risk prediction models. Models were derived from a retrospective cohort of pregnant women with SCD and constructed using generalised estimating equation logistic regression, with clustering by woman. Maternal event(s) consisted of acute anaemia; cardiac, pulmonary, hepatobiliary, musculoskeletal, skin, splenic, neurological or renal complications, multi-organ failure, venous thromboembolism, admission-requiring vaso-occlusive events (VOE), red cell transfusion, mortality or hypertensive disorder of pregnancy. Fetal events included preterm birth, small-for-gestational-age or perinatal mortality. Of 199 pregnancies, 71% and 45% resulted in adverse maternal and fetal outcomes respectively. Low first-trimester haemoglobin, admission-requiring VOE in the year before pregnancy, multiple transfusions before pregnancy, SCD genotype and previous cardiac complications predicted maternal risk. Younger age and SCD genotype allowed early prediction of fetal risk (model-F1). Adding maternal event(s) and high lactate dehydrogenase enabled re-assessment of fetal risk with advancing gestation (model-F2). Models were well calibrated and moderately discriminative for maternal outcome (c-statistic 0·81, cross-validated value 0·79) and fetal outcome (model-F1 c-statistic 0·68, cross-validated value 0·65; model-F2 c-statistic 0·72, cross-validated value 0·68). The models will allow early identification of women with SCD at high risk of adverse events, permitting early targeted interventions and ongoing fetal risk re-assessment enabling intensification of surveillance and optimisation of delivery timing.
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 | 0,000 |
| 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 ».