Risikoforudsigelsesmodel for præeklampsi

Forskningsobjekter:

Dette er en prospektiv undersøgelse. Omkring 2000 gravide kvinder, der vil tage regelmæssig prænatal undersøgelse i Obstetrikafdelingen, Peking Universitets tredje hospital. I løbet af 6-8 ugers graviditet var rutinemæssige laboratorietests, såsom leverfunktion, påkrævet før etablering af obstetriske journaler. Det resterende serum fra rutinelaboratorietests vil blive opsamlet og frosset ved -80 ℃ til påvisning af biologiske markører efter levering.

Nogle rutinemæssige laboratorietests vil blive udført med den prænatale undersøgelse ved 16-18 GWs、26-28 GWs、30-34GWs. Det resterende serum fra deltagerne vil blive indsamlet, hvis rutinetestene blev udført.

Vi tager ikke ekstra blodprøver fra deltagerne.

Kvalitetssikringsplan:

1. Kontroller patientoplysningerne og gestationsalderen omhyggeligt for at få de korrekte tilfælde.
2. Prøverne af hæmolyse, lipid turbiditet og gulsot bør elimineres for at forhindre interferens med de eksperimentelle resultater.
3. Serummet blev anbragt i et kryokonserveringsglas og straks opbevaret ved -70 ℃.
4. Kalibrering og kvalitetskontrol bør udføres for hver batch af test. Registrer resultaterne af kvalitetskontrol og start test efter kontrol.

Dataordbog:

(1) Generel information om forskningsobjektet: Data om risikofaktorer for præeklampsi blev indsamlet ved 6-8 ugers svangerskab, inklusive alder, primipara eller pluripara, flere fødsler, førgraviditets body mass index, præeklampsi historie, basalt systolisk blodtryk, basal diastolisk blodtryk, hypertensionshistorie, nyrehistorie, diabeteshistorie, autoimmunhistorie osv. Ovenstående journaler vil blive indhentet fra journalsystemet.

(3) Testresultater af rutinemæssige laboratorietests: Laboratorietestresultater, såsom total kolesterol, triglycerider, high-density lipoprotein kolesterol, low density lipoprotein kolesterol og lipoprotein a og C reaktivt protein, alanin aminotransferase, aspartat aminotransferase, lactat dehydrogenase, urea, urinsyre, kreatinin og cystatin C, D-dimer, neutrofiler og lymfocytforhold, blodplade- og lymfocytforhold og så videre, kan ovenstående testresultater søge fra det elektroniske journalsystem.

(4) Påvisning af biologiske markører: Efter levering vil biomarkørerne blive testet med 6-8 GW-prøverne fra de 2000 deltagere, såsom komplementfaktor B, komplementfaktor H, C3, komplement C4, matrixmetalloproteinaser 7, placentaprotein 13 , opløselig vaskulær endothelial vækstfaktor receptor 1, placenta vækstfaktor, fibronectin osv.

(5) Etablering af database: At indtaste ovenstående originale data i databasen.

Prøvestørrelse: Omkring 100 til 160 præeklampsipatienter vil blive indsamlet ud af de 2000 deltagere, der erklærede forekomsten af ​​præeklampsi, som er 3 % til 8 %.

De manglende data vil blive rapporteret som manglende, utilgængelige, ikke-rapporterede, ufortolkelige eller betragtes som manglende på grund af datainkonsistens eller resultater uden for rækkevidde i henhold til den faktiske tilstand.

Statistisk analyseplan:

Ved at bruge univariat logistisk regressionsmodel blev moder kliniske data, rutinemæssige laboratorietests og biologiske markører i tidlig graviditet opdelt i to kategorier: "vigtige indikatorer" og "generelle indikatorer".

Datasættet blev opdelt i et træningssæt og et testsæt i forholdet 3:1 til henholdsvis træning og test af præeklampsi-risikoforudsigelsesmodel.

Prøver af gravide kvinder uden svangerskabsforgiftning i træningssættet blev ligeligt opdelt i tre undergrupper A, B og C, og prøvesættet af svangerskabsforgiftningspatienter i træningssættet blev kaldt sæt D. Byg En dyb læringsmodel med to sæt A og D, byg en dyb læringsmodel med to sæt B og D, og ​​byg en dyb læringsmodel med to sæt C og D. Disse tre modeller omtales successivt som Model 1, Model 2 og Model 3.

Modeltestmetode:

Ved at erstatte dataene for hver prøve i testsættet med de ovennævnte tre dybe læringsmodeller opnås de tre outputværdier for hver prøve, og derefter opnås forudsigelsen af ​​typen af ​​hver prøve baseret på gennemsnitsværdien af ​​de tre tal. Derefter sammenlignes forudsigelsesresultaterne med prøveetiketterne for at evaluere modellen.