Indução do parto: preditores de resultados (IOL-ID)

o objetivo é criar um registro de banco de dados documentando o processo de indução do trabalho de parto (IOL) e aplicar ferramentas de aprendizado de máquina para criar uma pontuação de avaliação mais precisa para os médicos como um método de acompanhamento contemporâneo.

coletaremos dados de pelo menos 12 centros em todo o mundo descrevendo o curso, resultados, complicações maternas ou fetais e quaisquer dados relacionados. Os dados serão coletados após aprovação ética e consentimento dos pacientes de forma prospectiva. durante o período de 1º de julho de 2020 a 30 de junho de 2021 (datas antecipadas).

cada centro será responsável pela avaliação da qualidade, coleta de dados e garantia de que os dados sejam precisos, completos e representativos.

A coleta de dados inclui exame pélvico inicial (posição cervical, consistência, dilatação, apagamento, posição fetal e escore de bispo), método de indução e seu tempo de administração em relação ao tempo índice (início da LIO), achados e tempo de exames pélvicos seriados , tônus ​​cardíaco fetal e sinais vitais maternos. A entrada de dados de exames seriados continuará durante o trabalho de parto ativo e os resultados fetais e maternos serão relatados. Se o diagnóstico de falha da LIO for feito e a equipe obstétrica decidir pela cesariana, os critérios de diagnóstico/indicação de cesariana serão relatados. A duração do trabalho de parto ativo e o segundo estágio serão documentados e as complicações maternas/perinatais serão relatadas. os coletores devem zelar pelo sigilo e segurança do paciente.

Critério de inclusão:-

• Gestantes admitidas para LIO, com idade entre 18 a 40 anos
• Gravidez a termo ou pré-termo tardio (idade gestacional de 34 semanas ou mais)
• Um traçado cardíaco fetal reconfortante antes da LIO

Critério de exclusão:-

• Restrição do crescimento fetal com índices Doppler anormais
• Morte fetal intrauterina
• Suspeita de infecção intra-amniótica antes da LIO
• Anomalias congênitas maiores fetais
• Pacientes que recusam a LIO antes ou durante a LIO sem indicação médica

análise estatística:- Os dados serão descritos usando (média, mediana, desvio padrão, intervalo) na amostra final. O método de aprendizado de máquina é superior aos métodos estatísticos tradicionais, pois fornece estimativa robusta e automática de relações complexas entre diferentes variáveis ​​e resultados clínicos. Os dados serão utilizados como xi e yi onde xi apresenta entrada (características) e yi apresenta variáveis ​​dependentes (resultados). A regressão funcional é baseada na máquina de vetores de suporte regredindo os resultados yi nas entradas xi. A validação do modelo será realizada via estimativa bootstrap para avaliar a capacidade preditiva dos modelos de regressão funcional. Os dados serão divididos em dados de treinamento (aproximadamente 63% dos dados) para criar um modelo de previsão onde o bootstrap será aplicado e dados de teste onde o modelo de previsão será validado. Modelos de aprendizado de máquina serão criados usando python 3.8.