Prediction of successful labor induction in persons with a low Bishop score using machine learning: Secondary analysis of two randomized controlled trials
Notice bibliographique
Résumé
BACKGROUND: The objective of this paper was to identify predictors of a vaginal birth in individuals with singleton pregnancies and a Bishop Score <4, following Induction of Labor (IoL) using dinoprostone vaginal insert (DVI). Secondarily, we sought to understand the association between oxytocin use for labor augmentation and IoL outcomes. METHODS: We developed and internally validated a multivariate prediction model using machine learning (ML) applied to data from two Phase-III randomized controlled double-blind trials (NCT01127581, NCT00308711). The model was internally validated using 10-fold cross-validation. RESULTS: This study included 1107 participants. Despite unfavorable cervical status and inclusion of high-risk pregnancies, 72% of participants had vaginal births. The model's area under receiver operating characteristic curve was 0.73. The following factors increased the chance of vaginal birth: being parous; being between 37 and 41 weeks of gestation; having a lower Body Mass Index; having a lower maternal age; having fewer maternal comorbidities; and having a higher Bishop score. Parity alone correctly predicted the outcome in ~50% of cases, at a ~10% false-negative rate. Participants whose labors progressed without requiring oxytocin had a higher probability of vaginal birth than those requiring oxytocin for either induction or augmentation (81% vs 70% vs 77%, respectively). DISCUSSION: Even in high-risk pregnancies and with low Bishop scores, the use of DVI results in a high chance of vaginal birth. Parity is a critical predictor of success. The judicious use of oxytocin for labor induction or augmentation can increase the chance of vaginal birth. Our study validates the use of ML and predictive modeling for treatment response prediction when considering IoL.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,003 | 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 ».