Real world external validation of metabolic gestational age assessment in Kenya
Notice bibliographique
Résumé
Using data from Ontario Canada, we previously developed machine learning-based algorithms incorporating newborn screening metabolites to estimate gestational age (GA). The objective of this study was to evaluate the use of these algorithms in a population of infants born in Siaya county, Kenya. Cord and heel prick samples were collected from newborns in Kenya and metabolic analysis was carried out by Newborn Screening Ontario in Ottawa, Canada. Postnatal GA estimation models were developed with data from Ontario with multivariable linear regression using ELASTIC NET regularization. Model performance was evaluated by applying the models to the data collected from Kenya and comparing model-derived estimates of GA to reference estimates from early pregnancy ultrasound. Heel prick samples were collected from 1,039 newborns from Kenya. Of these, 8.9% were born preterm and 8.5% were small for GA. Cord blood samples were also collected from 1,012 newborns. In data from heel prick samples, our best-performing model estimated GA within 9.5 days overall of reference GA [mean absolute error (MAE) 1.35 (95% CI 1.27, 1.43)]. In preterm infants and those small for GA, MAE was 2.62 (2.28, 2.99) and 1.81 (1.57, 2.07) weeks, respectively. In data from cord blood, model accuracy slightly decreased overall (MAE 1.44 (95% CI 1.36, 1.53)). Accuracy was not impacted by maternal HIV status and improved when the dating ultrasound occurred between 9 and 13 weeks of gestation, in both heel prick and cord blood data (overall MAE 1.04 (95% CI 0.87, 1.22) and 1.08 (95% CI 0.90, 1.27), respectively). The accuracy of metabolic model based GA estimates in the Kenya cohort was lower compared to our previously published validation studies, however inconsistency in the timing of reference dating ultrasounds appears to have been a contributing factor to diminished model performance.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».