放出后再录取和母婴双胞胎死亡率的预测算法:一个观察性研究协议

科学领域:

• 孕产妇和儿童的健康
• 公共卫生研究 公共卫生研究
• 在医疗保健中的预测建模.

背景情况:

• 产后前六周是母亲和新生儿健康的关键时期,但在低收入环境中,常规的后续护理往往不足.
• 对目前的产后护理建议的不充分遵守限制了它们对许多母婴双胞胎的有效性.
• 需要基于数据的策略来个性化和提高产后护理的质量.

研究的目的:

• 导出和验证风险预测算法,识别在产后六周内存在高风险的重入院或死亡的母亲-新生儿二.
• 通过识别高风险个体,为以患者为中心的产后护理干预提供信息.
• 加强风险沟通,改善低收入国家的母亲和新生儿的结果.

主要方法:

• 一项前性观察性研究,在乌干达招收了7,000名母婴双胞胎.
• 研究护士收集候选预测变量,在产后六周通过电话或面对面的随访评估结果.
• 开发单独的预测模型,用于母亲和新生儿的结果,使用弹性净回归,优化接收运营商曲线下的面积 (AUROC) 和特异性,通过十倍交叉验证进行内部验证.

主要成果:

• 专注于开发高灵敏度 (>80%) 的节模型 (5-10个预测因素).
• 模型将根据AUROC,灵敏度,特异性和预测值进行评估.
• 这项研究旨在为产后护理中的风险分层提供可操作的见解.

结论:

• 数据驱动的预测模型可以显著提高产后护理的质量和效率.
• 将这些算法集成到数字化医疗保健系统中可以支持临床决策.
• 这些策略对于降低低低资源环境中的产妇和新生儿死亡率和发病率至关重要.