노동 유도: 결과 예측 (IOL-ID)

목표는 노동 유도(IOL) 프로세스를 문서화하는 데이터베이스 레지스트리를 만들고 기계 학습 도구를 적용하여 현대적인 후속 방법으로 의사를 위한 보다 정확한 평가 점수를 만드는 것입니다.

과정, 결과, 산모 또는 태아 합병증 및 모든 관련 데이터를 설명하는 전 세계 최소 12개 센터에서 데이터를 수집합니다. 데이터는 윤리적 승인 후 전향적 방식으로 동의한 환자로부터 수집됩니다. 2020년 7월 1일부터 2021년 6월 30일까지의 기간(예정일).

각 센터는 품질 평가, 데이터 수집 및 데이터의 정확성, 완전성 및 대표성을 보장할 책임이 있습니다.

데이터 수집에는 기본 골반 검사(경추 위치, 점조도, 확장, 소실, 태아 위치 및 비숍 점수), 유도 방법 및 인덱스 시간(IOL 시작)과 관련된 투여 시간, 일련의 골반 검사 소견 및 시간이 포함됩니다. , 태아 심장 톤 및 산모 활력 징후. 일련의 검사에서 얻은 데이터 입력은 진통이 진행되는 동안 계속되며 태아 및 산모의 결과가 보고됩니다. IOL 실패 진단이 내려지고 산부인과에서 제왕절개 분만을 결정하면 제왕절개의 진단/적응 기준이 보고됩니다. 진통 기간과 두 번째 단계를 기록하고 산모/주산기 합병증을 보고합니다. 수집가는 환자의 기밀성과 안전을 보장해야 합니다.

포함 기준:-

• 18세에서 40세 사이의 IOL을 위해 입원한 임산부
• 만삭 또는 후기 조산 임신(재태 연령 34주 이상)
• IOL 이전의 안심 태아 심장 추적

제외 기준:-

• 도플러 지수가 비정상인 태아 성장 제한
• 자궁 내 태아 사망
• IOL 전 의심되는 양막 내 감염
• 태아 주요 선천성 기형
• 의학적 적응증 없이 IOL 이전 또는 도중에 IOL을 거부한 환자

통계 분석 :- 데이터는 최종 샘플에서 (평균, 중앙값, 표준 편차, 범위)를 사용하여 설명됩니다. 기계 학습 방법은 다양한 변수와 임상 결과 간의 복잡한 관계를 강력하고 자동으로 추정하므로 기존 통계 방법보다 우수합니다. 데이터는 xi와 yi로 활용되며 여기서 xi는 입력(특성)을 나타내고 yi는 종속 변수(결과)를 나타냅니다. 기능적 회귀는 입력 xi에서 결과 yi를 회귀하는 서포트 벡터 머신을 기반으로 합니다. 기능 회귀 모델의 예측 능력을 평가하기 위해 부트스트랩 추정을 통해 모델 검증이 수행됩니다. 데이터는 훈련 데이터(데이터의 약 63%)로 분할되어 부트스트래핑이 적용될 예측 모델과 예측 모델이 검증될 테스트 데이터를 생성합니다. 기계 학습 모델은 Python 3.8을 사용하여 생성됩니다.