Biopsychosocial Predictors of Preterm and Spontaneous Preterm Birth: A Machine Learning Analysis of the All Our Families Cohort
Notice bibliographique
Résumé
Objective The primary objective of this study was to develop and evaluate a machine learning (ML) model for predicting preterm birth (PTB) and spontaneous preterm birth (SPTB) using biopsychosocial data. Design Secondary analysis of a cohort data. Sample Data from a prospective longitudinal pregnancy cohort, All Our Families, were used in the current study. Pregnant individuals prior to 25 weeks gestation with a medically low-risk pregnancy were eligible for recruitment. Methods ML classification models were trained to predict both SPTB and PTB using a total of 52 input features. Main Outcome Measures Machine learning model accuracy and the features selected. Results Moderate accuracies were achieved by the PTB (ROC-AUC = 0.62±0.03) and SPTB models (ROC-AUC = 0.57±0.05). For PTB, the most informative variables were a diagnosis of hypertensive disorder of pregnancy (HDP), feelings towards pregnancy, use of fertility treatment, satisfaction with social support, and exercise. For SPTB, the top predictive factors were use of fertility treatment, feelings towards pregnancy, diagnosis of HDP, household income, and satisfaction with social support. Conclusions The current study sets the stage for further research to use ML models to predict perinatal outcomes and examine novel and potentially modifiable biopsychosocial factors contributing to the overall risk of PTB.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».