子癇前症のリスク予測モデル

研究対象:

これは前向き研究です。 北京大学第三病院の産科で定期的な出生前検査を受ける約2000人の妊婦。 妊娠 6 ～ 8 週の間に、産科記録を確立する前に、肝機能などの日常的な臨床検査が必要でした。 定期的な臨床検査で残った血清を採取し、出産後に生物学的マーカーの検出のために-80℃で凍結します。

16-18 GW、26-28 GW、30-34GW での出生前検査とともに、いくつかの日常的な臨床検査が実施されます。 定期的な検査が行われた場合、参加者の残りの血清が収集されます。

参加者から余分な血液サンプルを採取することはありません。

品質保証計画:

1. 患者情報と妊娠期間を注意深く確認して、正しい症例を取得してください。
2. 溶血、脂質混濁、黄疸のサンプルは、実験結果との干渉を防ぐために排除する必要があります。
3. 血清は凍結保存チューブに入れ、直ちに-70℃で保存した。
4. キャリブレーションと品質管理は、テストのバッチごとに実行する必要があります。 品質管理の結果を記録し、管理後にテストを開始します。

データ ディクショナリ:

(1) 研究対象の一般情報: 子癇前症の危険因子に関するデータは、年齢、初産または多産、多産、妊娠前の体格指数、子癇前症の病歴、基底収縮期血圧、基礎血圧など、妊娠 6 ～ 8 週で収集されました。拡張期血圧、高血圧歴、腎歴、糖尿病歴、自己免疫歴など 上記の記録は、カルテシステムから取得されます。

(3) 日常的な臨床検査の検査結果: 総コレステロール、トリグリセリド、高密度リポタンパク質コレステロール、低密度リポタンパク質コレステロール、リポタンパク質 a および C 反応性タンパク質、アラニンアミノトランスフェラーゼ、アスパラギン酸アミノトランスフェラーゼ、乳酸脱水素酵素、尿素などの臨床検査結果尿酸、クレアチニンとシスタチンC、Dダイマー、好中球とリンパ球の比率、血小板とリンパ球の比率など、上記の検査結果は電子カルテシステムから照会できます。

(4) 生物学的マーカーの検出: 配信後、補体因子 B、補体因子 H、C3、補体 C4、マトリックス メタロプロテイナーゼ 7、胎盤タンパク質 13 など、2000 人の参加者の 6-8 GW サンプルを使用してバイオ マーカーをテストします。 、可溶性血管内皮増殖因子受容体1、胎盤増殖因子、フィブロネクチンなど

(5) データベースの構築：上記原データをデータベースに入力する。

サンプルサイズ: 子癇前症の発生率が 3% から 8% であるため、2000 人の参加者から約 100 人から 160 人の子癇前症患者が収集されます。

欠落しているデータは、欠落している、利用できない、報告されていない、解釈できない、またはデータの不一致または実際の条件による範囲外の結果のために欠落していると見なされると報告されます。

統計分析計画:

単変量ロジスティック回帰モデルを使用することにより、妊娠初期の母体の臨床データ、定期的な臨床検査、および生物学的マーカーは、「重要な指標」と「一般的な指標」の 2 つのカテゴリに分類されました。

データ セットは、子癇前症リスク予測モデルのトレーニングとテストのために、それぞれ 3:1 の比率でトレーニング セットとテスト セットに分割されました。

トレーニング セットの子癇前症のない妊婦のサンプルを 3 つのサブセット A、B、C に均等に分割し、トレーニング セットの子癇前症患者のサンプル セットをセット D と呼びました。2 つのセット A と D で深層学習モデルを構築し、 B と D の 2 つのセットでディープ ラーニング モデルを構築し、C と D の 2 つのセットでディープ ラーニング モデルを構築します。

モデル試験方法:

テスト セットの各サンプルのデータを上記の 3 つの深層学習モデルに代入すると、各サンプルの 3 つの出力値が得られ、3 つの数値の平均値に基づいて各サンプルの種類の予測が得られます。 次に、予測結果をサンプル ラベルと比較して、モデルを評価します。