Using machine learning to predict the risk of developing hypertensive disorders of pregnancy using a contemporary nulliparous cohort
Notice bibliographique
Résumé
Background: Hypertensive disorders of pregnancy (HDP) are significant drivers of maternal and neonatal morbidity and mortality. Current management strategies include early identification and initiation of risk mitigating interventions facilitated by a rules-based checklist. Advanced analytic techniques, such as machine learning, can potentially offer improved and refined predictive capabilities. Objective: To develop and internally validate a machine learning prediction model for hypertensive disorders of pregnancy (HDP) when initiating prenatal care. Study Design: We developed a prediction model using data from the prospective multisite cohort Nulliparous Pregnancy Outcomes Study: Monitoring Mothers-to-Be (nuMoM2b) among low-risk individuals without a prior history of aspirin utilization for preeclampsia prevention. The primary outcome was the development of HDP. Random forest modeling was utilized to develop predictive models. Recursive feature elimination (RFE) was employed to create a reduced model for each outcome. Area under the curve (AUC), 95% confidence intervals (CI), and calibration curves were utilized to assess discrimination and accuracy. Sensitivity analyses were conducted to compare the sensitivity and specificity of the reduced model compared to existing risk factor-based algorithms. Results: Of 9,124 assessed low risk nulliparous individuals, 21% (n=1,927) developed HDP. The prediction model for HDP had satisfactory discrimination with an AUC of 0.73 (95% CI: 0.70, 0.75). After RFE, a parsimonious reduced model with 30 features was created with an AUC of 0.71 (95% CI: 0.68, 0.74). Variables included in the model after RFE included body mass index at the first study visit, pre-pregnancy weight, first trimester complete blood count results, and maximum systolic blood pressure at the first visit. Calibration curves for all models revealed relatively stable agreement between predicted and observed probabilities. Sensitivity analysis noted superior sensitivity (AUC 0.80 vs 0.65) and specificity (0.65 vs 0.53) of the model compared to traditional risk factor-based algorithms. Conclusion: In cohort of low-risk nulliparous pregnant individuals, a prediction model may accurately predict HDP diagnosis at the time of initiating prenatal care and aid employment of close interval monitoring and prophylactic measures earlier in pregnancy.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».