A New Approach for Classifying Fetal Growth Restriction
Notice bibliographique
Résumé
BACKGROUND: Fetal growth restriction is commonly defined using small for gestational age (SGA) birth (birthweight < 10th percentile) as a proxy, but this approach is problematic because most SGA infants are small but healthy. In this proof-of-concept study, we sought to develop a new approach for identifying fetal growth restriction at birth that combines information on multiple, imperfect measures of fetal growth restriction in a probabilistic manner. METHODS: We combined information on birthweight, placental weight, placental malperfusion lesions, maternal disease, and fetal acidemia using latent profile analysis to classify fetal growth in births at the Royal Victoria Hospital in Montreal, Canada, 2001-2009. We examined the clinical characteristics and health outcomes of infants classified as growth-restricted and nongrowth-restricted by our model, and among the subgroup of growth-restricted infants who had a birthweight ≥10th percentile (i.e., would have been missed by the conventional SGA proxy). RESULTS: Among 26,077 births, 345 (1.3%) were classified as growth-restricted by our latent profile model. Growth-restricted infants were more likely than nongrowth-restricted infants to have an Apgar score <7 (10% vs. 2%), have hypoglycemia at birth (17% vs. 3%), require neonatal intensive care unit admission (59% vs. 6%), die in the perinatal period (3.8% vs. 0.2%), and require an emergency cesarean delivery (42% vs. 15%). Risks remained elevated in growth-restricted infants who were not SGA, suggesting our model identified at-risk infants not detected using the SGA proxy. CONCLUSIONS: Latent profile analysis is a promising strategy for classifying growth restriction at birth in fetal growth restriction research.
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 | 0,005 |
| 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 | 0,000 |
| 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 ».