分娩誘発：結果の予測因子 (IOL-ID)

目的は、分娩誘発 (IOL) プロセスを文書化するデータベース レジストリを作成し、機械学習ツールを適用して、最新のフォローアップ方法として医師のより正確な評価スコアを作成することです。

コース、転帰、母体または胎児の合併症、および関連データを説明する、世界中の少なくとも12のセンターからデータを収集します。 データは、倫理的な承認後、同意した患者から前向きに収集されます。 2020年7月1日～2021年6月30日（予定）の期間中。

各センターは、品質評価、データ収集、およびデータが正確、完全、代表的であることを保証する責任を負います。

データ収集には、ベースライン骨盤検査 (子宮頸部の位置、一貫性、拡張、消失、胎児の位置、およびビショップ スコア)、導入の方法、および指標時間 (IOL の開始) に関連する投与時間、一連の骨盤検査の所見および時間が含まれます。 、胎児の心音、および母体のバイタルサイン。 一連の検査からのデータの入力は、活発な分娩中も継続され、胎児および母体の転帰が報告されます。 ＩＯＬ失敗の診断が下され、産科チームが帝王切開による分娩を決定した場合、帝王切開の診断基準／指示が報告される。 活動的な陣痛の長さと第2段階が記録され、母体/周産期の合併症が報告されます。 収集者は、患者の機密性と安全性を確保する必要があります。

包含基準:-

• 18歳から40歳までのIOLのために入院した妊婦
• 正期産または後期早産（妊娠34週以降）
• IOL前の心強い胎児心臓追跡

除外基準:-

• 異常なドップラー指数による胎児発育の制限
• 子宮内胎児死亡
• IOL前の羊膜内感染の疑い
• 胎児の重大な先天異常
• 医学的適応なしにIOL前またはIOL中にIOLを辞退した患者

統計分析:- データは、最終サンプルで (平均値、中央値、標準偏差、範囲) を使用して記述されます。 機械学習法は、さまざまな変数と臨床結果の間の複雑な関係を堅牢かつ自動的に推定できるため、従来の統計法よりも優れています。 データは xi および yi として利用されます。ここで、xi は入力 (特徴) を表し、yi は従属変数 (結果) を表します。 関数回帰は、結果 yi を入力 xi で回帰するサポート ベクター マシンに基づいています。 モデルの検証は、機能回帰モデルの予測能力を評価するために、ブートストラップ推定によって実行されます。 データはトレーニング データ (データの約 63%) に分割され、ブートストラップが適用される予測モデルと、予測モデルが検証されるテスト データが作成されます。 機械学習モデルは、python 3.8 を使用して作成されます。