Developing adjustable birth weight cutoffs based on maternal height and Apgar scores
Notice bibliographique
Résumé
Birth weight is crucial for evaluating an infant's health and nutritional status. The World Health Organization (WHO) defines low birth weight (LBW) as being under 2,500 g, considering it a risk condition. However, this standard may not apply universally because it was derived using a European-descendant population. To address this, previous research has recommended using ethnicity-specific birth weight charts, but with globalization and mixed-race families rising, ethnicity-specific birth weight charts may not be reliable. Therefore, alternative measurements to identify at-risk newborns are needed. This study addresses this limitation using Apgar scores to derive LBW cutoffs based on maternal height, an approach that has not been previously explored. To that aim, using the 2022 CDC birth dataset, we implemented a two-stage analytical approach. First, a conditional inference tree and a fuzzy inference model were applied to explore the relationship between maternal height, birth weight, and Apgar scores. In the second stage, we employed an ensemble of five machine learning regressors to estimate birth weight thresholds associated with normal Apgar scores. Our findings suggest that under the fixed WHO LBW standard, the probability of achieving a normal Apgar score decreases as maternal height increases. This finding suggests that some newborns above the standard LBW cutoff may still face health risks. An adjustable LBW threshold based on maternal height is essential for more accurately assessing newborn health and ensuring better outcomes.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».