Model predikce rizika preeklampsie

Předměty výzkumu:

Toto je prospektivní studie. Asi 2000 těhotných žen, které budou pravidelně absolvovat prenatální vyšetření na Porodnické klinice 3. nemocnice Pekingské univerzity. Během 6-8 týdnů těhotenství byly před založením porodnických záznamů vyžadovány rutinní laboratorní testy, např. jaterní testy. Zbývající sérum z rutinních laboratorních testů bude odebráno a zmraženo na -80 °C pro detekci biologických markerů po dodání.

Některé rutinní laboratorní testy budou provedeny s prenatálním vyšetřením při 16-18 GWs, 26-28 GWs, 30-34 GWs. Zbývající sérum účastníků bude odebráno, pokud byly provedeny rutinní testy.

Od účastníků nebudeme odebírat extra vzorky krve.

Plán zajištění kvality:

1. Pečlivě zkontrolujte informace o pacientce a gestační věk, abyste získali správné případy.
2. Vzorky hemolýzy, lipidového zákalu a žloutenky by měly být odstraněny, aby se zabránilo interferenci s výsledky experimentu.
3. Sérum bylo umístěno do kryokonzervační zkumavky a okamžitě skladováno při -70 °C.
4. Kalibrace a kontrola kvality by měla být provedena pro každou šarži testování. Zaznamenejte výsledky kontroly kvality a po kontrole začněte testovat.

datový slovník:

(1) Obecné informace o výzkumném objektu: Údaje o rizikových faktorech preeklampsie byly shromážděny v 6-8 týdnech těhotenství, včetně věku, prvorodičky nebo pluripary, vícečetných porodů, indexu tělesné hmotnosti před těhotenstvím, preeklampsie v anamnéze, bazálního systolického krevního tlaku, bazálního diastolický krevní tlak, anamnéza hypertenze, renální anamnéza, anamnéza diabetu, autoimunitní anamnéza atd. Výše uvedené záznamy budou získány ze systému zdravotnické dokumentace.

(3) Výsledky testů rutinních laboratorních testů: Výsledky laboratorních testů, jako je celkový cholesterol, triglyceridy, cholesterol lipoproteinů s vysokou hustotou, cholesterol lipoproteinů s nízkou hustotou a reaktivní protein s lipoproteiny a a C, alaninaminotransferáza, aspartátaminotransferáza, laktátdehydrogenáza, močovina, kyselina močová, kreatinin a cystatin C, D-dimer, poměr neutrofilů a lymfocytů, poměr krevních destiček a lymfocytů atd., výše uvedené výsledky testů lze získat ze systému elektronických lékařských záznamů.

(4) Detekce biologických markerů: Po dodání budou biomarkery testovány se vzorky 6-8 GWs od 2000 účastníků, jako je komplementový faktor B, komplementový faktor H, C3, komplement C4, matrixové metaloproteinázy 7, placentární protein 13 , solubilní receptor 1 vaskulárního endoteliálního růstového faktoru, placentární růstový faktor, fibronektin atd.

(5) Zřízení databáze: Vložení výše uvedených původních dat do databáze.

Velikost vzorku: Z 2000 účastníků bude shromážděno asi 100 až 160 pacientů s preeklampsií, což odpovídá incidenci preeklampsie, která je 3 až 8 %.

Chybějící údaje budou hlášeny jako chybějící, nedostupné, nenahlášené, neinterpretovatelné nebo považovány za chybějící z důvodu nekonzistence údajů nebo výsledků mimo rozsah podle skutečného stavu.

Plán statistické analýzy:

Pomocí jednorozměrného modelu logistické regrese byly klinická data matky, rutinní laboratorní testy a biologické markery v časném těhotenství rozděleny do dvou kategorií: „důležité indikátory“ a „obecné indikátory“.

Soubor dat byl rozdělen na tréninkový soubor a testovací soubor v poměru 3:1 pro trénink a testování modelu predikce rizika preeklampsie, resp.

Vzorky těhotných žen bez preeklampsie v tréninkovém souboru byly rovnoměrně rozděleny do tří podsouborů A, B a C a výběrový soubor pacientek s preeklampsií v tréninkovém souboru byl nazván set D.Build A deep learning model se dvěma sadami A a D, vytvořte model hlubokého učení se dvěma sadami B a D a vytvořte model hlubokého učení se dvěma sadami C a D. Tyto tři modely jsou postupně označovány jako Model 1, Model 2 a Model 3.

Metoda testování modelu:

Nahrazením dat každého vzorku v testovací sadě do výše uvedených tří modelů hlubokého učení se získají tři výstupní hodnoty každého vzorku a poté se získá předpověď typu každého vzorku na základě průměrné hodnoty těchto tří čísel. Poté jsou výsledky predikce porovnány se značkami vzorků pro vyhodnocení modelu.