Indukce porodu: Prediktory výsledků (IOL-ID)

cílem je vytvořit databázový registr dokumentující proces indukce porodu (IOL) a použít nástroje strojového učení k vytvoření přesnějšího skóre hodnocení pro lékaře jako současnou následnou metodu.

budeme shromažďovat údaje z nejméně 12 center po celém světě popisující průběh, výsledky, komplikace matky nebo plodu a jakákoli související data. Údaje budou shromažďovány po etickém schválení a od souhlasných pacientů prospektivním způsobem. v období od 1. července 2020 do 30. června 2021 (předpokládané termíny).

každé centrum bude zodpovědné za hodnocení kvality, sběr dat a zajištění přesnosti, úplnosti a reprezentativnosti dat.

Sběr dat zahrnuje základní vyšetření pánve (poloha děložního hrdla, konzistence, dilatace, vymazání, poloha plodu a biskupské skóre), způsob indukce a doba jejich podávání ve vztahu k indexu času (začátek IOL), nálezy a čas sériových pánevních vyšetření , srdeční tón plodu a vitální funkce matky. Zadávání dat ze sériových vyšetření bude pokračovat během aktivního porodu a budou hlášeny výsledky plodu a matky. Pokud je stanovena diagnóza selhání IOL a porodnický tým rozhodne o porodu císařským řezem, budou uvedena kritéria diagnózy/indikace porodu císařským řezem. Bude zdokumentována délka aktivního porodu a druhá fáze a budou hlášeny mateřské/perinatální komplikace. sběratelé musí zajistit pacientovi důvěrnost a bezpečnost.

Kritéria pro zařazení:-

• Těhotné ženy přijaté pro IOL ve věku 18 až 40 let
• Předčasné nebo pozdní předčasné těhotenství (gestační věk 34 týdnů nebo déle)
• Uklidňující sledování srdce plodu před IOL

Kritéria vyloučení: -

• Omezení růstu plodu s abnormálními Dopplerovými indexy
• Intrauterinní smrt plodu
• Podezření na intraamniovou infekci před IOL
• Velké vrozené anomálie plodu
• Pacienti, kteří odmítají IOL před nebo během IOL bez lékařské indikace

statistická analýza :- Data budou popsána pomocí (průměr, medián, směrodatná odchylka, rozmezí) v konečném vzorku. Metoda strojového učení je lepší než tradiční statistické metody, protože poskytuje robustní a automatický odhad komplexních vztahů mezi různými proměnnými a klinickými výsledky. Data budou použita jako xi a yi, kde xi představuje vstup (vlastnosti) a yi představuje závislé proměnné (výsledky). Funkční regrese je založena na stroji podpory vektoru regresí výsledků yi na vstupech xi. Validace modelu bude provedena pomocí bootstrapového odhadu pro vyhodnocení prediktivní schopnosti funkčních regresních modelů. Data budou rozdělena na trénovací data (přibližně 63 % dat), aby se vytvořil predikční model, kde bude aplikován bootstrapping, a testovací data, kde bude predikční model ověřen. Modely strojového učení budou vytvořeny pomocí pythonu 3.8.