The Mathematical Limitations of Fetal Echocardiography as a Screening Tool in the Setting of a Normal Second-Trimester Ultrasound
Notice bibliographique
Résumé
BACKGROUND: The effectiveness of screening strategies targeting pregnancies at higher risk of congenital heart disease (CHD) is reduced by the low prevalence of severe CHD, the increase in CHD detection rates by second-trimester ultrasound (U/S), and the high proportion of severe CHD in low-risk pregnancies. We aimed to determine situations in which additional screening by fetal echocardiography (FE) would result in a significant increase in sensitivity and a sizable decrease in the false-negative rate of detection of severe CHD. METHODS: We simulated the change in the numbers of detected severe CHD cases when FE is offered to women with a normal second-trimester U/S who have a higher risk of bearing a child with CHD, compared to U/S alone. The primary outcome was the increase in sensitivity. Secondary outcomes were the number needed to screen and the reduction in the rate of missed cases. RESULTS: For an U/S sensitivity of 60%, the addition of FE in pregnancies at high risk of CHD (risk ratio 3.5; range: 2 to 5) increased sensitivity by 2.4 percentage points (1.1 to 7.9). The number needed to screen to detect one additional case of severe CHD was 436 (156 to 952). The rate of additional severe CHD cases detected by FE was 4 per 100,000 pregnancies (2 to 32). CONCLUSIONS: The addition of FE to U/S for severe CHD prenatal screening in pregnancies at high risk of CHD yielded marginal benefits in terms of increased sensitivity and decreased rates of false negatives, at the expense of significant resource utilization.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».