Evaluation of A Novel Risk Factor Screening Tool for Gestational Diabetes Mellitus: A Machine Learning Based Predictive Method
Notice bibliographique
Résumé
Introduction: Gestational diabetes mellitus (GDM) is a significant pregnancy complication linked to adverse outcomes for both mother and child. Early identification of high-risk individuals is crucial for effective management and prevention for the onset/progression of the GDM. Our study aims to a) evaluate the effectiveness of a newly developed machine learning based risk factor screening tool for predicting GDM and b) to compare its predictive performance against established models and current literature. Methods: This study explored SNP data from the leptin (LEP) and leptin receptor (LEPR) genes to develop machine learning models for predicting gestational diabetes mellitus (GDM). It included data preprocessing, such as cleaning and feature selection, focusing on genetic markers, metabolic parameters, and demographic information. Various algorithms, including Logistic Regression, Decision Trees, and Random Forests, were used, and their performance was evaluated using metrics like accuracy and ROC-AUC to determine the best model for GDM prediction. Results: The newly developed screening tool demonstrated a sensitivity of 85%, specificity of 78%, positive predictive value (PPV) of 68%, and negative predictive value (NPV) of 90% in predicting GDM. Comparatively, machine learning models showed higher sensitivity (90-95%) but lower specificity (65-75%). Conclusion: The developed risk factor screening tool is a viable method for predicting GDM, with accuracy metrics comparable to advanced machine learning models and established literature. Future research should focus on refining these tools and exploring their integration into routine prenatal care to enhance early detection and intervention strategies for GDM.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».