Published February 12, 2021
| Version v1
Publication
Open
Machine learning improves early prediction of small‐for‐gestational‐age births and reveals nuchal fold thickness as unexpected predictor
Creators
- 1. University of Malaya
- 2. Agency for Science, Technology and Research
- 3. Bioinformatics Institute
- 4. National University Health System
- 5. National University of Singapore
- 6. Image and Pervasive Access Laboratory
- 7. Singapore Eye Research Institute
- 8. Imperial College London
Description
To investigate the performance of the machine learning (ML) model in predicting small-for-gestational-age (SGA) at birth, using second-trimester data.Retrospective data of 347 patients, consisting of maternal demographics and ultrasound parameters collected between the 20th and 25th gestational weeks, were studied. ML models were applied to different combinations of the parameters to predict SGA and severe SGA at birth (defined as 10th and third centile birth weight).Using second-trimester measurements, ML models achieved an accuracy of 70% and 73% in predicting SGA and severe SGA whereas clinical guidelines had accuracies of 64% and 48%. Uterine PI (Ut PI) was found to be an important predictor, corroborating with existing literature, but surprisingly, so was nuchal fold thickness (NF). Logistic regression showed that Ut PI and NF were significant predictors and statistical comparisons showed that these parameters were significantly different in disease. Further, including NF was found to improve ML model performance, and vice versa.ML could potentially improve the prediction of SGA at birth from second-trimester measurements, and demonstrated reduced NF to be an important predictor. Early prediction of SGA allows closer clinical monitoring, which provides an opportunity to discover any underlying diseases associated with SGA.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
للتحقيق في أداء نموذج التعلم الآلي (ML) في التنبؤ بالصغر بالنسبة لعمر الحمل (SGA) عند الولادة، باستخدام بيانات الثلث الثاني من الحمل. تمت دراسة البيانات الاستطلاعية لـ 347 مريضًا، والتي تتكون من التركيبة السكانية للأمهات ومعلمات الموجات فوق الصوتية التي تم جمعها بين الأسبوعين العشرين والخامس والعشرين من الحمل. تم تطبيق نماذج ML على مجموعات مختلفة من المعلمات للتنبؤ بـ SGA و SGA الشديد عند الولادة (المحدد على أنه الوزن المئوي العاشر والثالث عند الولادة). باستخدام قياسات الثلث الثاني من الحمل، حققت نماذج ML دقة 70 ٪ و 73 ٪ في التنبؤ بـ SGA و SGA الشديد في حين أن الإرشادات السريرية كانت دقيقة بنسبة 64 ٪ و 48 ٪. تم العثور على الرحم PI (Ut PI) ليكون مؤشرًا مهمًا، يدعم الأدبيات الموجودة، ولكن من المستغرب أن يكون سمك الطية القفوية (NF). أظهر الانحدار اللوجستي أن Ut PI و NF كانتا تنبؤات مهمة وأظهرت المقارنات الإحصائية أن هذه المعلمات كانت مختلفة بشكل كبير في المرض. علاوة على ذلك، بما في ذلك NF وجد أنه يحسن أداء نموذج ML، والعكس صحيح. يمكن أن يحسن ML التنبؤ بـ SGA عند الولادة من قياسات الثلث الثاني، وأظهر انخفاض NF ليكون مؤشرًا مهمًا. يسمح التنبؤ المبكر بـ SGA بالمراقبة السريرية عن كثب، مما يوفر فرصة لاكتشاف أي أمراض كامنة مرتبطة بـ SGA.Translated Description (French)
Étudier la performance du modèle d'apprentissage automatique (ML) dans la prédiction du petit pour l'âge gestationnel (SGA) à la naissance, en utilisant les données du deuxième trimestre. Les données rétrospectives de 347 patients, constituées de données démographiques maternelles et de paramètres d'échographie collectés entre la 20e et la 25e semaine de gestation, ont été étudiées. Les modèles ML ont été appliqués à différentes combinaisons de paramètres pour prédire le SGA et le SGA sévère à la naissance (défini comme le poids de naissance du 10e et du troisième centile). En utilisant les mesures du deuxième trimestre, les modèles ML ont atteint une précision de 70% et 73% dans la prédiction du SGA et du SGA sévère alors que les directives cliniques avaient des précisions de 64% et 48%. La PI utérine (Ut PI) s'est avérée être un prédicteur important, corroborant la littérature existante, mais de manière surprenante, l'épaisseur du pli nucal (NF) l'était également. La régression logistique a montré que Ut PI et NF étaient des prédicteurs significatifs et les comparaisons statistiques ont montré que ces paramètres étaient significativement différents dans la maladie. En outre, il a été constaté que l'inclusion de la NF améliorait les performances du modèle ML, et vice versa. La ML pourrait potentiellement améliorer la prédiction de la SGA à la naissance à partir des mesures du deuxième trimestre, et a démontré que la NF réduite était un prédicteur important. La prédiction précoce de la SGA permet une surveillance clinique plus étroite, ce qui permet de découvrir toutes les maladies sous-jacentes associées à la SGA.Translated Description (Spanish)
Investigar el desempeño del modelo de aprendizaje automático (ML) en la predicción de pequeños para la edad gestacional (SGA) al nacer, utilizando datos del segundo trimestre. Se estudiaron datos retroactivos de 347 pacientes, que consisten en datos demográficos maternos y parámetros de ultrasonido recopilados entre las semanas 20 y 25 de gestación. Los modelos de ML se aplicaron a diferentes combinaciones de los parámetros para predecir el SGA y el SGA severo al nacer (definido como el peso al nacer del percentil 10 y 3). Utilizando mediciones del segundo trimestre, los modelos de ML lograron una precisión del 70% y 73% en la predicción del SGA y el SGA severo, mientras que las pautas clínicas tuvieron una precisión del 64% y 48%. Se encontró que la PI uterina (Ut PI) era un predictor importante, corroborando con la literatura existente, pero sorprendentemente, también lo fue el grosor del pliegue nucal (NF). La regresión logística mostró que Ut PI y NF eran predictores significativos y las comparaciones estadísticas mostraron que estos parámetros eran significativamente diferentes en la enfermedad. Además, se descubrió que incluir NF mejoraba el rendimiento del modelo de ML y viceversa. El ML podría mejorar potencialmente la predicción de SGA al nacer a partir de las mediciones del segundo trimestre, y demostró que la NF reducida es un predictor importante. La predicción temprana de SGA permite un monitoreo clínico más cercano, lo que brinda la oportunidad de descubrir cualquier enfermedad subyacente asociada con SGA.Files
pd.5903.pdf
Files
(15.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:fae40764b47e3574974125b8b6800e2c
|
15.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- يحسن التعلم الآلي التنبؤ المبكر بالولادات الصغيرة في عمر الحمل ويكشف عن سمك الطية القفوية كمؤشر غير متوقع
- Translated title (French)
- L'apprentissage automatique améliore la prédiction précoce des naissances de petite taille pour l'âge gestationnel et révèle l'épaisseur du pli nucal comme prédicteur inattendu
- Translated title (Spanish)
- El aprendizaje automático mejora la predicción temprana de nacimientos pequeños para la edad gestacional y revela el grosor del pliegue nucal como predictor inesperado
Identifiers
- Other
- https://openalex.org/W3125542378
- DOI
- 10.1002/pd.5903
References
- https://openalex.org/W1221682153
- https://openalex.org/W1550015617
- https://openalex.org/W1577579821
- https://openalex.org/W158061464
- https://openalex.org/W1602443498
- https://openalex.org/W1873332500
- https://openalex.org/W1972158712
- https://openalex.org/W1974884124
- https://openalex.org/W1981976602
- https://openalex.org/W1987580318
- https://openalex.org/W2000284996
- https://openalex.org/W2006937838
- https://openalex.org/W2011604729
- https://openalex.org/W2031402705
- https://openalex.org/W2034883277
- https://openalex.org/W2040510300
- https://openalex.org/W2042086954
- https://openalex.org/W2047994353
- https://openalex.org/W2049962258
- https://openalex.org/W2055785600
- https://openalex.org/W2057759012
- https://openalex.org/W2062115892
- https://openalex.org/W2076459943
- https://openalex.org/W2077692370
- https://openalex.org/W2079192915
- https://openalex.org/W2095243985
- https://openalex.org/W2095478823
- https://openalex.org/W2101234009
- https://openalex.org/W2108284037
- https://openalex.org/W2129376438
- https://openalex.org/W2131414141
- https://openalex.org/W2134751634
- https://openalex.org/W2139037570
- https://openalex.org/W2143237564
- https://openalex.org/W2147537998
- https://openalex.org/W2158648291
- https://openalex.org/W2166189112
- https://openalex.org/W2223344998
- https://openalex.org/W2278993375
- https://openalex.org/W2331642622
- https://openalex.org/W2339084277
- https://openalex.org/W2378208052
- https://openalex.org/W2460480877
- https://openalex.org/W2474710771
- https://openalex.org/W2496911238
- https://openalex.org/W2524298693
- https://openalex.org/W2562251009
- https://openalex.org/W2735424569
- https://openalex.org/W2756328803
- https://openalex.org/W2760302655
- https://openalex.org/W2775090827
- https://openalex.org/W2778083392
- https://openalex.org/W2884120158
- https://openalex.org/W2885070421
- https://openalex.org/W2898928934
- https://openalex.org/W3036510977
- https://openalex.org/W4233454717
- https://openalex.org/W4238199701
- https://openalex.org/W4687941
- https://openalex.org/W92469554