A preeclampsia kockázat-előrejelző modellje

Kutatási objektumok:

Ez egy prospektív tanulmány. Körülbelül 2000 terhes nő, akik rendszeres prenatális vizsgálaton vesznek részt a Pekingi Egyetemi Harmadik Kórház Szülészeti Osztályán. A terhesség 6-8 hetében rutin laboratóriumi vizsgálatokra volt szükség, mint például a májfunkció vizsgálata a szülészeti nyilvántartás felállítása előtt. A rutin laboratóriumi vizsgálatokból visszamaradt szérumot összegyűjtik és -80 ℃-on lefagyasztják a biológiai markerek kimutatása érdekében a szülés után.

Néhány rutin laboratóriumi vizsgálatot a prenatális vizsgálat során végeznek 16-18 GWs, 26-28 GWs, 30-34 GWs. A résztvevők maradék szérumát összegyűjtik, ha a rutinvizsgálatokat elvégezték.

A résztvevőktől extra vérmintát nem veszünk.

Minőségbiztosítási terv:

1. Gondosan ellenőrizze a páciens adatait és a terhességi kort, hogy megtalálja a helyes eseteket.
2. A hemolízis, lipidturbiditás és sárgaság mintáit el kell távolítani, hogy elkerüljük a kísérleti eredményekkel való interferenciát.
3. A szérumot mélyhűtő csőbe helyeztük, és azonnal -70 °C-on tároltuk.
4. A kalibrálást és a minőségellenőrzést minden egyes vizsgálati tételnél el kell végezni. Rögzítse a minőség-ellenőrzés eredményeit, és az ellenőrzést követően kezdje meg a tesztelést.

Adatszótár:

(1) A kutatási tárgy általános információi: A preeclampsia kockázati tényezőire vonatkozó adatokat a terhesség 6-8 hetében gyűjtöttük, beleértve az életkort, a primipara vagy pluripara, a többszörös születés, a terhességi testtömeg index, a preeclampsia kórtörténet, a bazális szisztolés vérnyomás, a bazális diasztolés vérnyomás, magas vérnyomás, vesetörténet, cukorbetegség, autoimmun anamnézis stb. A fenti feljegyzések az orvosi nyilvántartási rendszerből származnak.

(3) A rutin laboratóriumi vizsgálatok vizsgálati eredményei: Laboratóriumi vizsgálati eredmények, például összkoleszterin, trigliceridek, nagy sűrűségű lipoprotein koleszterin, alacsony sűrűségű lipoprotein koleszterin és lipoprotein a és C reaktív fehérje, alanin aminotranszferáz, aszpartát aminotranszferáz, laktát dehidrogenáz, karbamid, húgysav, kreatinin és cisztatin C, D-dimer, neutrofilek és limfociták aránya, vérlemezke és limfociták aránya és így tovább, a fenti vizsgálati eredmények lekérdezhetők az elektronikus kórlaprendszerből.

(4) Biológiai markerek kimutatása: Szülés után a biomarkereket a 2000 résztvevő 6-8 GW-s mintájával tesztelik, mint például a B komplement faktor, H komplement faktor, C3, komplement C4, mátrix metalloproteinázok 7, placenta protein 13 , oldható vaszkuláris endoteliális növekedési faktor receptor 1, placenta növekedési faktor, fibronektin stb.

(5) Adatbázis létrehozása: A fenti eredeti adatok bevitele az adatbázisba.

Mintanagyság: Körülbelül 100-160 preeclampsiás beteget gyűjtenek össze a 2000 résztvevő közül, akik a preeclampsia előfordulási gyakoriságának megfelelnek, ami 3-8%.

A hiányzó adatok hiányzóként, nem elérhetőként, nem jelentettként, értelmezhetetlenként vagy hiányzóként jelennek meg, mivel az adatok ellentmondásosak vagy a tényleges állapotnak megfelelő tartományon kívüli eredmények.

Statisztikai elemzési terv:

Az egyváltozós logisztikus regressziós modell segítségével az anyai klinikai adatokat, a rutin laboratóriumi vizsgálatokat és a korai terhesség biológiai markereit két kategóriába soroltuk: "fontos indikátorok" és "általános indikátorok".

Az adathalmazt egy tréningkészletre és egy tesztkészletre osztottuk fel 3:1 arányban a preeclampsia kockázati előrejelzési modelljének képzéséhez, illetve teszteléséhez.

A preeclampsiában nem szenvedő terhes nők mintáit a tréningkészletben egyenletesen három A, B és C alcsoportra osztottuk, a preeclampsiás betegek mintakészletét pedig D halmaznak nevezték. Építsen egy mély tanulási modellt két B és D készletből, és építsen fel egy mély tanulási modellt két C és D halmazból. Ezt a három modellt egymás után Modell 1-nek, Model 2-nek és Model 3-nak nevezik.

Modell vizsgálati módszer:

A tesztkészletben szereplő egyes minták adatait a fenti három mélytanulási modellbe behelyettesítve megkapjuk az egyes minták három kimeneti értékét, majd a három szám átlagértéke alapján megkapjuk az egyes minták típusának előrejelzését. Ezután az előrejelzési eredményeket összehasonlítják a mintacímkékkel a modell értékeléséhez.