First-trimester screening for Down syndrome using quadruple maternal biochemical markers
Notice bibliographique
Résumé
OBJECTIVES: Placental growth factor (PlGF) is used for first-trimester preeclampsia screening and could be combined with other biochemical markers for Down syndrome screening. We aim to estimate the predictive value of the combination of pregnancy-associated plasma protein (PAPP-A), free β-human chorionic gonadotropin (free β-hCG), placental growth factor (PlGF) and α-fetoprotein (AFP) with and without nuchal translucency. METHODS: Singleton pregnancies recruited at 11-14 weeks and followed until delivery. The four maternal markers were measured using Kryptor (ThermoFisher-BRAHMS) and adjusted for gestational age and maternal characteristics. The risk of Down syndrome was calculated using the Fetal Medicine Foundation algorithm and multivariate linear regression analyses in all cases and in 2,200 controls. Receiver-operator characteristic (ROC) curves were used to calculate the detection and false-positive rates. RESULTS: Twenty-six (0.2%) cases of Down syndrome were diagnosed among 13,386 participants. The combination of the four biomarkers could have detected 88% (95% CI: 72-97%) of the cases at a false-positive rate of 13% (95% CI: 12-15%). The addition of nuchal translucency would have increased the detection rate to 96% (95% CI: 82-99%) at a false-positive rate of 4% (95% CI: 4-5%) using a 1:300 cut-off and to 100% (95% CI: 89-100%) at a false-positive rate of 6% (95% CI: 5-8%) using a 1:500 cut-off. CONCLUSIONS: First-trimester screening using biochemical markers allows the identification of approximately 88% of Down syndrome cases for a false-positive rate of 13%. The addition of nuchal translucency raises the detection rate above 95% with a false-positive rate below 5%.
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 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».