Inductie van arbeid: voorspellers van resultaten (IOL-ID)

het doel is om een ​​databaseregister te creëren dat het inductieproces (IOL) documenteert en machine learning-tools toe te passen om een ​​nauwkeurigere beoordelingsscore voor artsen te creëren als een eigentijdse follow-upmethode.

we zullen gegevens verzamelen van ten minste 12 centra over de hele wereld die het verloop, de resultaten, maternale of foetale complicaties en alle gerelateerde gegevens beschrijven. De gegevens zullen worden verzameld na ethische goedkeuring en van instemmende patiënten op een prospectieve manier. in de periode van 1 juli 2020 tot 30 juni 2021 (verwachte data).

elk centrum is verantwoordelijk voor de kwaliteitsbeoordeling, het verzamelen van gegevens en het waarborgen dat de gegevens juist, volledig en representatief zijn.

Gegevensverzameling omvat baseline bekkenonderzoek (cervicale positie, consistentie, dilatatie, vervaging, foetushouding en bisschopscore), methode van inductie en hun toedieningstijd in relatie tot indextijd (begin van IOL), bevindingen en tijd van seriële bekkenonderzoeken , foetale harttoon en maternale vitale functies. De invoer van gegevens van seriële onderzoeken gaat door tijdens actieve bevalling en de foetale en maternale uitkomsten worden gerapporteerd. Als de diagnose van een mislukte IOL wordt gesteld en het verloskundig team beslist om via een keizersnede te worden afgeleverd, worden de criteria voor de diagnose/indicatie van een keizersnede gerapporteerd. De duur van de actieve bevalling en de tweede fase zullen worden gedocumenteerd, en maternale/perinatale complicaties zullen worden gerapporteerd. de verzamelaars moeten de vertrouwelijkheid en veiligheid van de patiënt waarborgen.

Inclusiecriteria: -

• Zwangere vrouwen opgenomen voor IOL, tussen de 18 en 40 jaar
• Voldragen of late vroeggeboorte zwangerschap (zwangerschapsduur 34 weken of langer)
• Een geruststellende foetale harttracering voorafgaand aan IOL

Uitsluitingscriteria:-

• Foetale groeibeperking met abnormale Doppler-indices
• Intra-uteriene foetale dood
• Vermoedelijke intra-amniotische infectie voorafgaand aan IOL
• Foetale belangrijke aangeboren afwijkingen
• Patiënten die IOL weigeren voorafgaand aan of tijdens IOL zonder medische indicatie

statistische analyse: - Gegevens worden beschreven met behulp van (gemiddelde, mediaan, standaarddeviatie, bereik) in het uiteindelijke monster. Machine learning-methode is superieur aan traditionele statistische methoden omdat het een robuuste en automatische schatting biedt van complexe relaties tussen verschillende variabelen en klinische uitkomsten. Gegevens zullen worden gebruikt als xi en yi, waarbij xi input (kenmerken) presenteert en yi afhankelijke variabelen (uitkomsten) presenteert. Functionele regressie is gebaseerd op een ondersteunende vectormachine door de uitkomsten yi op invoer xi te regresseren. Modelvalidatie zal worden uitgevoerd via bootstrap-schatting om het voorspellende vermogen van de functionele regressiemodellen te evalueren. Gegevens worden opgesplitst in trainingsgegevens (ongeveer 63% van de gegevens) om een ​​voorspellingsmodel te maken waar bootstrap wordt toegepast, en testgegevens waar het voorspellingsmodel wordt gevalideerd. Machine learning-modellen zullen worden gemaakt met behulp van python 3.8.