산과적 항문 괄약근 손상 위험 예측을 위한 로지스틱 회귀 알고리즘의 개발 및 검증.

산과 항문 괄약근 손상 위험도 추정을 위한 로지스틱 회귀 도출 알고리즘 개발 및 검증을 위한 연구 계획

목적 이 연구의 목적은 고위험 및 저위험 시나리오에서 OASI의 위험에 대한 예측 모델을 개발하고 검증하는 것입니다.

연구 설계 연구는 2009년부터 2018년까지 10년을 다루도록 제한됩니다. 기본 데이터 소스는 Swedish Medical Birth Register(MBR)입니다. 또한, 스웨덴 국가 보건 복지 위원회(National Board of Health and Welfare)와 스웨덴 건강 보험 노동 통합 데이터베이스(Swedish Longitudinal Integrated Database for Health Insurance and Labor)에서 관리하는 입원 환자(병원) 및 외래 환자 전문 치료의 건강 관리 에피소드 데이터로 구성된 국가 환자 등록부(National Patient Register)에서 데이터를 검색할 것입니다. 스웨덴 통계청에서 관리하는 시장 조사.

다음 포함 기준이 적용됩니다.

• 1차, 2차 자연 분만, 출산 수와 분만 방식에 대한 정보 확보
• 단태 임신
• 임신 주 ≥37+0

3개의 개별 연구 코호트가 분석될 예정입니다.

1. 미산부 여성의 첫 질 분만(고위험)
2. 1회 이상의 이전 제왕절개(VBAC) 후 첫 자연 분만(고위험)
3. 두 번째 질 분만(저위험) 코호트 1의 여성은 코호트 3에 대한 두 번째 출산과 함께 기여할 수 있습니다. 코호트 간의 주요 차이점은 코호트 1과 비교하여 코호트 2 및 3에서 사용할 수 있는 추가 산전 정보입니다.

산과 항문 괄약근 손상 결과의 정의 스웨덴 의료 등록부는 OASI에 대한 국제 질병 분류, 10차 개정판(ICD-10)을 따릅니다. 결과 OASI의 식별을 위해 다음 코드가 사용됩니다.

• ICD 070.2, O70.2C, O70.2D, O70.2E, O70.2F, O70.2X(항문 괄약근의 일부 또는 전체를 포함하는 3도 열상) 및/또는
• ICD O70.3(직장 점막까지 확장되는 4도 열상) 및/또는
• 변수 "Sphincter, (SFINKTER)"는 "1"입니다.
• 외과적 진단 관련 그룹 코드 MBC33(3도 또는 4도 회음부 열상 봉합).

산부인과 항문 괄약근 손상의 예측자 OASI에 대한 후보 예측자 변수의 선택은 OASI에 대한 이전 작업, 문헌의 체계적 검토 및 메타 분석 검색, 레지스터에서 임상적으로 관련되고 검색 가능한 정보를 기반으로 합니다.

후보 예측자:

산모 인구 통계 연령 임신 초기 체중 임신 이전 이후 체중 증가 키 체질량 지수 임신 중 흡연 습관 교육 소득 출생 국가 이전 산과 정보(산모 및 유아) 응급 제왕절개 선택 제왕절개 아프가 점수 재태 연령에 비해 큰 영아 출생 시 체중 영아 머리둘레 산과적 항문 괄약근 손상 진공 분만 겸자 분만 진통 유도 진통 외음절개술 임신 이전 이후의 체중 증가 산모 질환(현재) 재발성 방광염 만성 신장 질환 제1형 및 제2형 당뇨병, 임신 전 간질 천식 염증성 장 질환 전신성 루푸스 홍반성 고혈압 질환 임신 당뇨병 진통 진통* 진통 증강 회음절개술 진공 분만 겸자 분만 경막외 마취* 척추 마취* 영아의 출생 특성 출생 체중* 머리 둘레* 임신 주수* 임신 주수 초과* 성별* 분만 시 분만 시간 출생

조건부 출생 전 예측인자, 코호트 1의 변수는 출생 전에만 결정되거나 계획될 수 있는(또는 가능한) 것으로, 산모의 인구 통계 및 질병, 재태 연령, 태아 위치, 남성 성별, 분만 유도 및 일부 경우에 포함됩니다. , macrosomia의 존재. *현재 영아의 출생 체중, 머리 둘레, 분만 시 재태 연령은 산후에 기록됩니다. 그러나 태아의 체중과 머리 둘레를 추정하는 초음파 생체 측정 기술이 발전하고 있으므로 모든 모델에 이러한 변수를 포함할 것입니다.

통계 분석 계획

분할 샘플 유효성 검사 접근 방식은 출생 기간에 따라 일시적인 분할과 함께 사용됩니다[2012-2018년 개발/훈련 데이터 세트(~70%) 대 2009-2011년 유효성 검사/테스트 데이터 세트(~30%)]. 로지스틱 회귀 통계는 주요 예측자 모델링 도구로 사용됩니다. 모델은 "최고의 하위 집합 선택" 접근 방식을 사용하여 베이지안 정보 기준(BIC)의 최소화를 기반으로 훈련 데이터 세트에서 개발됩니다. 모델 성능 및 안정성은 각 샘플에서 모델을 개발하고 전체 교육 데이터 세트 및 글로벌 모델의 모델과 비교하는 200개의 샘플로 부트스트랩 접근 방식을 사용하여 평가됩니다.

비선형 효과는 5번째, 27.5번째, 50번째, 72.5번째 및 95번째 백분위수에서 5노트가 있는 자연 큐빅 스플라인을 사용하여 평가됩니다. 선형 및 스플라인 효과는 모델 선택 절차에 동시에 포함되어 선형 및 비선형 추세 사이의 데이터 기반 선택을 가능하게 합니다. 필요한 경우 예측 변수의 변환 및 컷오프를 테스트할 수 있습니다.

교육 데이터에서 개발된 모델은 보정 플롯을 사용하여 검증 데이터와 비교됩니다. 개별 위험 점수와 예측 확률을 얻기 위해 최종 모델에서 위험 점수 시스템이 생성됩니다. 여성은 저위험, 중위험, 고위험의 세 가지 위험 그룹으로 나뉩니다.

코호트당 3개의 다른 모델이 구성됩니다(결과적으로 3x2 = 6개 모델).

1. 임신 전 알려진 예측 변수(모성 변수)
2. 산후 알려진 예측 변수(산모 변수 + 임신 + 신생아 + 분만)
3. 산후 알려진 예측자(모성 변수 + 조건부 산전 예측자)