Estimer l’âge gestationnel à la naissance : étude de dérivation-validation en population générale
Bibliographic record
Abstract
<sec> <title>Introduction</title> Les données sur l’âge gestationnel (AG) à la naissance sont essentielles dans la recherche en santé périnatale et en santé du nourrisson, mais elles ne figurent pas toujours dans les bases de données administratives. Nous avons donc élaboré et validé un modèle de prédiction de l’AG pour les naissances simples à des fins d’études épidémiologiques. </sec> <sec> <title>Méthodologie</title> La dérivation de l’AG estimé a été calculée sur la base d’un échantillon de 130 328 nouveau-nés ayant vu le jour dans les hôpitaux de l’Ontario entre 2007 et 2009, au moyen d’une analyse de régression linéaire, avec plusieurs caractéristiques maternelles et infantiles comme variables prédictives (indépendantes). Le modèle a été validé sur un autre échantillon, de 130 329 nouveau-nés. </sec> <sec> <title>Résultats</title> La capacité discriminative du modèle linéaire selon le sexe et le poids à la naissance du nouveau-né était d’une approximation raisonnable pour les enfants nés avant la 37e semaine de gestation (r2 = 0,67; intervalle de confiance (IC) à 95 % : 0,65 à 0,68), mais pas pour les naissances à terme (37 à 42 semaines; r2 = 0,12; IC à 95 % : 0,12 à 0,13). L’ajout de caractéristiques maternelles et infantiles supplémentaires n’a pas amélioré la discrimination du modèle. </sec> <sec> <title>Conclusion</title> Il est possible d’obtenir une estimation correcte de l’âge gestationnel à la naissance des enfants nés avant 37 semaines de gestation à l’aide de données localement disponibles sur le poids à la naissance et le sexe. </sec>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".