Risikovorhersagemodell der Präeklampsie

Forschungsobjekte:

Dies ist eine prospektive Studie. Ungefähr 2000 schwangere Frauen, die sich einer regelmäßigen vorgeburtlichen Untersuchung in der Abteilung für Geburtshilfe des dritten Krankenhauses der Peking-Universität unterziehen werden. Während der 6. bis 8. Schwangerschaftswoche waren vor der Erstellung geburtshilflicher Aufzeichnungen routinemäßige Labortests, wie z. B. die Leberfunktion, erforderlich. Das verbleibende Serum aus routinemäßigen Labortests wird gesammelt und bei -80 ° C zum Nachweis biologischer Marker nach der Lieferung eingefroren.

Einige routinemäßige Labortests werden mit der vorgeburtlichen Untersuchung bei 16-18 GWs, 26-28 GWs, 30-34 GWs durchgeführt. Das restliche Serum der Teilnehmer wird gesammelt, wenn die Routinetests durchgeführt wurden.

Wir werden den Teilnehmern keine zusätzlichen Blutproben entnehmen.

Qualitätssicherungsplan:

1. Überprüfen Sie die Patientendaten und das Gestationsalter sorgfältig, um die richtigen Fälle zu erhalten.
2. Die Proben von Hämolyse, Lipidtrübung und Gelbsucht sollten eliminiert werden, um eine Beeinträchtigung der Versuchsergebnisse zu vermeiden.
3. Das Serum wurde in ein Kryokonservierungsröhrchen gegeben und sofort bei -70 °C gelagert.
4. Kalibrierung und Qualitätskontrolle sollten für jede Testreihe durchgeführt werden. Zeichnen Sie die Ergebnisse der Qualitätskontrolle auf und beginnen Sie nach der Kontrolle mit dem Testen.

Datenwörterbuch:

(1) Allgemeine Informationen zum Forschungsgegenstand: Daten zu Risikofaktoren für Präeklampsie wurden in der 6.–8. Schwangerschaftswoche erhoben, u. a. Alter, Erst- oder Mehrlingsgeburt, Mehrlingsgeburten, Body-Mass-Index vor der Schwangerschaft, Präeklampsie-Vorgeschichte, basaler systolischer Blutdruck, basal diastolischer Blutdruck, Bluthochdruckgeschichte, Nierengeschichte, Diabetesgeschichte, Autoimmungeschichte, etc. Die oben genannten Aufzeichnungen werden aus dem Krankenaktensystem bezogen.

(3) Testergebnisse von routinemäßigen Labortests: Labortestergebnisse, wie Gesamtcholesterin, Triglyceride, High-Density-Lipoprotein-Cholesterin, Low-Density-Lipoprotein-Cholesterin und Lipoprotein a und C reaktives Protein, Alanin-Aminotransferase, Aspartat-Aminotransferase, Laktatdehydrogenase, Harnstoff, Harnsäure, Kreatinin und Cystatin C, D-Dimer, Neutrophilen- und Lymphozytenverhältnis, Blutplättchen- und Lymphozytenverhältnis und so weiter, die oben genannten Testergebnisse können aus dem elektronischen Krankenaktensystem abgefragt werden.

(4) Nachweis biologischer Marker: Nach der Lieferung werden die Biomarker mit den 6-8 GW-Proben der 2000 Teilnehmer getestet, wie Komplementfaktor B, Komplementfaktor H, C3, Komplement C4, Matrix-Metalloproteinasen 7, Plazentaprotein 13 , löslicher vaskulärer endothelialer Wachstumsfaktor-Rezeptor 1, Plazenta-Wachstumsfaktor, Fibronektin usw.

(5) Aufbau einer Datenbank: Um die obigen Originaldaten in die Datenbank einzugeben.

Stichprobengröße: Etwa 100 bis 160 Präeklampsie-Patienten werden aus den 2000 Teilnehmern gesammelt, die der Präeklampsie-Inzidenz von 3 % bis 8 % entsprechen.

Die fehlenden Daten werden als fehlend, nicht verfügbar, nicht gemeldet, nicht interpretierbar oder aufgrund von Dateninkonsistenz oder außerhalb des Bereichs liegenden Ergebnissen gemäß dem tatsächlichen Zustand als fehlend gemeldet.

Statistischer Analyseplan:

Unter Verwendung eines univariaten logistischen Regressionsmodells wurden mütterliche klinische Daten, routinemäßige Labortests und biologische Marker in der Frühschwangerschaft in zwei Kategorien eingeteilt: „wichtige Indikatoren“ und „allgemeine Indikatoren“.

Der Datensatz wurde in einem Verhältnis von 3:1 in einen Trainingssatz und einen Testsatz für das Training bzw. das Testen des Präeklampsie-Risikovorhersagemodells aufgeteilt.

Stichproben von schwangeren Frauen ohne Präeklampsie im Trainingssatz wurden gleichmäßig in drei Teilmengen A, B und C aufgeteilt, und die Stichprobenmenge von Präeklampsie-Patienten im Trainingssatz wurde als Satz D bezeichnet. Erstellen Sie ein Deep-Learning-Modell mit zwei Sätzen A und D. Erstellen Sie ein Deep-Learning-Modell mit zwei Sätzen B und D und erstellen Sie ein Deep-Learning-Modell mit zwei Sätzen C und D. Diese drei Modelle werden nacheinander als Modell 1, Modell 2 und Modell 3 bezeichnet.

Modelltestverfahren:

Durch Einsetzen der Daten jeder Probe in dem Testsatz in die oben genannten drei Deep-Learning-Modelle werden die drei Ausgabewerte jeder Probe erhalten, und dann wird die Vorhersage des Typs jeder Probe basierend auf dem Durchschnittswert der drei Zahlen erhalten. Anschließend werden die Vorhersageergebnisse mit den Musteretiketten verglichen, um das Modell zu bewerten.