CTG-Analyse und Sectiorate – Ergebnisse einer deutschlandweiten Umfrage
Bibliographic record
Abstract
Zusammenfassung Einleitung Die Rate der Sectiones in Deutschland ist in den letzten Jahrzehnten stark angestiegen. Bei der Entscheidung für oder gegen eine Sectio sollen Mikroblutuntersuchungen und computerunterstützte Kardiotokografien helfen.Im Wesentlichen befasst sich diese Studie mit der Frage, wie diese Untersuchungen die Sectiorate möglicherweise beeinflussen. Methodik Um diese Fragestellung zu untersuchen, stand ein Datensatz über Krankenhäuser in Deutschland zur Verfügung, der durch Crowd Sourcing Fragebogen erhoben wurde. Alle Variablen wurden kategorisiert erhoben. Anhand dieses Datensatzes wurden Zusammenhangsmaße berechnet. Die Zusammenhänge wurden zusätzlich durch Mosaikplots visuell untersucht. Ergebnisse 97 Fragebogen konnten analysiert werden. Im Datensatz ließen sich deutliche Zusammenhänge zwischen Variablen erkennen. Insbesondere hatten Krankenhäuser, die leitliniengerecht eine fetale Herzfrequenz im Bereich 110–160 bpm als ungefährlich einstuften, im Datensatz eine geringere Sectiorate. Auch Krankenhäuser, die leitliniengerecht die Kardiotokografie nach dem Auswertungsschema des FIGO durchführten, hatten im Datensatz eine vergleichsweise geringere Sectiorate. Schlussfolgerung Computerunterstützte Analysen der fetalen Herzfrequenz auf Grundlage der FIGO-Richtlinien korrelieren mit einer niedrigeren Sectiorate. Die Durchführung und Weiterentwicklung der computergestützten CTG-Analyse sollte fortgesetzt werden.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".