Prediction of Hypoxic-Ischemic Encephalopathy Using Events in Fetal Heart Rate and Uterine Pressure
Notice bibliographique
Résumé
The objective of this work was to evaluate the utility of using intrapartum fetal heart rate (FHR) and uterine pressure (UP) events to detect infants at risk of hypoxic-ischemic encephalopathy (HIE). We analyzed data from 40,976 term births from three groups: 374 infants that developed HIE, 3,056 that developed fetal acidosis without HIE, and 37,546 healthy infants. We counted the transitions between FHR events and the length of FHR and UP events. Then, we used these features to train a random forest classifier to discriminate between the healthy and the pathological (acidosis or HIE) groups. Compared to the Caesarean delivery rates for each group, our system detected 6.9% more HIE cases (54.9% vs 61.8%, p<0.001) and 10.7% more acidosis cases (37.6% vs 48.3%, p<0.001), with no increase in the false positive rates in the healthy group (38.9% vs 38.8%, p=0.26). Importantly, over 3/4 of the HIE detections were made 3 hours or more before delivery. It is reasonable to expect that this would be enough lead time to permit clinical intervention to improve the outcome of birth.
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 | 0,000 |
| 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 ».