Induksjon av fødsel: Prediktorer for utfall (IOL-ID)

Målet er å lage et databaseregister som dokumenterer prosessen med induksjon av fødsel (IOL) og bruke maskinlæringsverktøy for å skape en mer presis vurderingsscore for leger som en moderne oppfølgingsmetode.

vi vil samle inn data fra minst 12 sentre over hele verden som beskriver forløpet, utfall, mors- eller fosterkomplikasjoner og eventuelle relaterte data. Dataene vil bli samlet inn etter etisk godkjenning og fra samtykkende pasienter på en prospektiv måte. i perioden fra 1. juli 2020 til 30. juni 2021 (forventede datoer).

hvert senter vil være ansvarlig for kvalitetsvurdering, datainnsamling og å sikre at dataene er nøyaktige, fullstendige og representative.

Datainnsamling inkluderer baseline bekkenundersøkelse (cervikal stilling, konsistens, dilatasjon, utsletting, fosterstilling og biskopskår), metode for induksjon og administrasjonstidspunkt i forhold til indekstid (start av IOL), funn og tidspunkt for serielle bekkenundersøkelser , fosterets hjertetone og mors vitale tegn. Registrering av data fra serieundersøkelser vil fortsette under aktiv fødsel, og foster- og morsutfall vil bli rapportert. Hvis diagnosen mislykket IOL blir stilt og obstetrisk team bestemmer levering ved keisersnitt, vil kriterier for diagnose/indikasjon på keisersnitt bli rapportert. Lengde på aktiv fødsel og andre stadie vil bli dokumentert, og mors/perinatale komplikasjoner vil bli rapportert. innsamlerne skal sikre pasientens konfidensialitet og sikkerhet.

Inklusjonskriterier:-

• Gravide kvinner innlagt for IOL, i alderen 18 til 40 år
• Tidlig eller sent prematur graviditet (gestasjonsalder ved 34 uker eller utover)
• En betryggende føtal hjertesporing før IOL

Ekskluderingskriterier:-

• Fostervekstbegrensning med unormale Doppler-indekser
• Intrauterin fosterdød
• Mistanke om intra-amnioninfeksjon før IOL
• Fosterets store medfødte anomalier
• Pasienter som avviser IOL før eller under IOL uten medisinsk indikasjon

statistisk analyse: Data vil bli beskrevet ved å bruke (gjennomsnitt, median, standardavvik, rekkevidde) i den endelige prøven. Maskinlæringsmetode er overlegen tradisjonelle statistiske metoder, da den gir robust og automatisk estimering av komplekse sammenhenger mellom forskjellige variabler og kliniske utfall. Data vil bli brukt som xi og yi der xi presenterer input (funksjoner) og yi presenterer avhengige variabler (utfall). Funksjonell regresjon er basert på støttevektormaskin ved å regressere utfallene yi på innganger xi. Modellvalidering vil bli utført via bootstrap-estimering for å evaluere prediksjonsevnen til de funksjonelle regresjonsmodellene. Data vil deles til treningsdata (omtrent 63 % av dataene) for å lage prediksjonsmodell der bootstrapping vil bli brukt, og testdata der prediksjonsmodellen vil bli validert. Maskinlæringsmodeller vil bli laget ved hjelp av python 3.8.