Continuous Risk Assessment of Late and Term Preeclampsia Throughout Pregnancy: A Retrospective Cohort Study
Notice bibliographique
Résumé
Background and Objectives: To evaluate the diagnostic accuracy of widely available biomarkers longitudinally measured throughout pregnancy to predict all and term (delivery at ≥37 weeks) preeclampsia (PE). Materials and Methods: This is a longitudinal retrospective study performed at Hospital Universitario de Torrejón (Madrid, Spain) and Shterev Hospital (Sofia, Bulgaria) between August 2017 and December 2022. All pregnant women with singleton pregnancies and non-malformed live fetuses attending their routine ultrasound examination and first-trimester screening for preterm PE at 11 + 0 to 13 + 6 weeks’ gestation at the participating centers were invited to participate in a larger study for the prediction of pregnancy complications. The dataset was divided into two subsets to develop and validate a joint model of time-to-event outcome and longitudinal data, and to evaluate how the area under the receiving operating characteristic curve (AUROC) evolved with time. Results: 4056 pregnancies were included in the training set (59 all PE, 40 term PE) and 944 in the validation set (23 all PE, 20 term PE). For the joint model and all PE, the AUROC was 0.84 (95% CI 0.73 to 0.94) and the detection rate (DR) for a 10% screening positive rate (SPR) was 56.5 (95% CI 34.5 to 76.8). For term PE, AUROC was 0.80 (95% CI 0.69 to 0.91), and DR for a 10% SPR was 55.0 (95% CI 31.5 to 76.9). The AUROC using only information from the first trimester was 0.50 (95% CI 0.37 to 0.64) and it increased to 0.84 (0.73 to 0.94) when using all information available. Conclusions: Routinely measuring MAP and UtA-PI throughout pregnancy may improve the predictive prediction power for all and term-PE.
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) | 0,001 | 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 | 0,001 |
| 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 ».