Clinical and dental predictors of preterm birth using machine learning methods: the MOHEPI study
Notice bibliographique
Résumé
Preterm birth (PTB) is one of the most common and serious complications of pregnancy, leading to mortality and severe morbidities that can impact lifelong health. PTB could be associated with various maternal medical condition and dental status including periodontitis. The purpose of this study was to identify major predictors of PTB among clinical and dental variables using machine learning methods. Prospective cohort data were obtained from 60 women who delivered singleton births via cesarean section (30 PTB, 30 full-term birth [FTB]). Dependent variables were PTB and spontaneous PTB (SPTB). 15 independent variables (10 clinical and 5 dental factors) were selected for inclusion in the machine learning analysis. Random forest (RF) variable importance was used to identify the major predictors of PTB and SPTB. Shapley additive explanation (SHAP) values were calculated to analyze the directions of the associations between the predictors and PTB/SPTB. Major predictors of PTB identified by RF variable importance included pre-pregnancy body mass index (BMI), modified gingival index (MGI), preeclampsia, decayed missing filled teeth (DMFT) index, and maternal age as in top five rankings. SHAP values revealed positive correlations between PTB/SPTB and its major predictors such as premature rupture of the membranes, pre-pregnancy BMI, maternal age, and MGI. The positive correlations between these predictors and PTB emphasize the need for integrated medical and dental care during pregnancy. Future research should focus on validating these predictors in larger populations and exploring interventions to mitigate these risk factors.
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 | 0,005 | 0,001 |
| 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 | 0,001 |
| 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 ».