Risicovoorspellingsmodel van pre-eclampsie

Onderzoeksobjecten:

Dit is een prospectieve studie. Ongeveer 2000 zwangere vrouwen die regelmatig een prenataal onderzoek zullen ondergaan op de afdeling Verloskunde van het Peking University Third Hospital. Tijdens de 6-8 weken zwangerschap waren routinematige laboratoriumtesten, zoals leverfunctie, vereist voordat de verloskundige gegevens werden opgesteld. Het overgebleven serum van routinematige laboratoriumtests wordt verzameld en ingevroren bij -80 ℃ voor detectie van biologische markers na levering.

Sommige routinematige laboratoriumtests zullen worden uitgevoerd met het prenatale onderzoek bij 16-18 GW's、26-28 GW's、30-34GW's. Het resterende serum van de deelnemers zal worden verzameld als de routinetests zijn uitgevoerd.

We zullen geen extra bloed afnemen bij de deelnemers.

Kwaliteitsborgingsplan:

1. Controleer de patiënteninformatie en de zwangerschapsduur zorgvuldig om de juiste gevallen te verkrijgen.
2. De monsters van hemolyse, lipidentroebelheid en geelzucht moeten worden geëlimineerd om interferentie met de experimentele resultaten te voorkomen.
3. Het serum werd in een cryopreservatiebuis geplaatst en onmiddellijk bewaard bij -70°C.
4. Voor elke testpartij moeten kalibratie en kwaliteitscontrole worden uitgevoerd. Leg de resultaten van kwaliteitscontrole vast en start met testen na controle.

Data woordenboek:

(1) Algemene informatie over het onderzoeksobject: Gegevens over risicofactoren voor pre-eclampsie werden verzameld na 6-8 weken zwangerschap, waaronder leeftijd, primipara of pluripara, meerlinggeboorten, body mass index vóór de zwangerschap, geschiedenis van pre-eclampsie, basale systolische bloeddruk, basale diastolische bloeddruk, geschiedenis van hypertensie, niergeschiedenis, diabetesgeschiedenis, auto-immuungeschiedenis, enz. Bovenstaande gegevens worden verkregen uit het medische dossiersysteem.

(3) Testresultaten van routinematige laboratoriumtests: laboratoriumtestresultaten, zoals totaal cholesterol, triglyceriden, lipoproteïne-cholesterol met hoge dichtheid, lipoproteïne-cholesterol met lage dichtheid en lipoproteïne a en C reactief eiwit, alanineaminotransferase, aspartaataminotransferase, lactaatdehydrogenase, ureum, urinezuur, creatinine en cystatine C, D-dimeer, verhouding neutrofielen en lymfocyten, verhouding bloedplaatjes en lymfocyten enzovoort, de bovenstaande testresultaten kunnen worden opgevraagd uit het elektronische medische dossiersysteem.

(4) Detectie van biologische markers: na levering zullen de biomarkers worden getest met de 6-8 GWs-monsters van de 2000 deelnemers, zoals de complementfactor B, complementfactor H, C3, complement C4, matrixmetalloproteïnasen 7, placenta-eiwit 13 , oplosbare vasculaire endotheliale groeifactorreceptor 1, placentale groeifactor, fibronectine, enz.

(5) Database opzetten: Om de bovenstaande originele gegevens in de database in te voeren.

Steekproefomvang: ongeveer 100 tot 160 pre-eclampsiepatiënten zullen worden verzameld van de 2000 deelnemers die instemmen met de incidentie van pre-eclampsie, die 3% tot 8% is.

De ontbrekende gegevens worden gerapporteerd als ontbrekend, niet-beschikbaar, niet-gerapporteerd, niet-interpreteerbaar of als ontbrekend beschouwd vanwege gegevensinconsistentie of resultaten die buiten het bereik vallen volgens de werkelijke toestand.

Statistisch analyseplan:

Door gebruik te maken van een univariaat logistisch regressiemodel werden klinische gegevens van de moeder, routinematige laboratoriumtests en biologische markers in de vroege zwangerschap verdeeld in twee categorieën: "belangrijke indicatoren" en "algemene indicatoren".

De dataset was verdeeld in een trainingsset en een testset in een verhouding van 3:1 voor respectievelijk het trainen en testen van het risicovoorspellingsmodel voor pre-eclampsie.

Steekproeven van zwangere vrouwen zonder pre-eclampsie in de trainingsset werden gelijkmatig verdeeld in drie subsets A, B en C, en de voorbeeldset van pre-eclampsiepatiënten in de trainingsset heette set D.Build Een diepgaand leermodel met twee sets A en D, bouw een deep learning-model met twee sets B en D, en bouw een deep learning-model met twee sets C en D. Deze drie modellen worden achtereenvolgens aangeduid als Model 1, Model 2 en Model 3.

Model testmethode:

Door de gegevens van elk monster in de testset te vervangen door de bovenstaande drie deep learning-modellen, worden de drie uitvoerwaarden van elk monster verkregen en vervolgens wordt de voorspelling van het type van elk monster verkregen op basis van de gemiddelde waarde van de drie getallen. Vervolgens worden de voorspellingsresultaten vergeleken met de voorbeeldlabels om het model te evalueren.