P.074 Risk factors for perinatal arterial ischemic stroke (PAIS): A machine learning approach
Notice bibliographique
Résumé
Background: Perinatal arterial ischemic stroke (PAIS) is a leading cause of hemiparetic cerebral palsy. Multiple risk factors are associated with PAIS but studies are limited by small sample sizes and complex interactions. Unbiased machine learning applied to larger datasets may enable the development of robust predictive models. We aimed to use machine learning to identify risk factors predictive of PAIS and compare these to the existing literature. Methods: Common data elements of maternal, delivery, and neonatal factors were collected from three perinatal stroke registries and one control sample over a 7-year period. Inclusion criteria were MRI-confirmed PAIS, term birth, and idiopathic etiology. Random forest machine learning in combination with feature selection was used to develop a predictive model of PAIS. Results: Total of 2571 neonates were included (527 cases, 2044 controls). Risk factors uniquely identified through machine learning were infertility, miscarriage, primigravida, and meconium. When compared, factors identified through both literature-based selection and machine learning included maternal age, fetal tobacco exposure, intrapartum fever, and low 5-minute APGAR. Conclusions: Machine learning offers a novel, less biased method to identify PAIS predictors and complex pathophysiology. Our findings support known associations with concepts of placental disease and difficult fetal transition and may support early screening for PAIS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».