Development and validation of predictive models for QUiPP App v.2: tool for predicting preterm birth in women with symptoms of threatened preterm labor. (2nd March 2020)

• Record Type: Journal Article
• Authors: Carter, J.; Seed, P. T.; Watson, H. A.; David, A. L.; Sandall, J.; Shennan, A. H.; Tribe, R. M.
• Is Part Of: Ultrasound in obstetrics & gynecology. Volume 55:Number 3(2020)
• Page Start: 357
• Page End: 367
• Publication Date: 2020-03-02
• Subjects: eHealth -- mHealth -- mobile apps -- prediction -- preterm -- risk assessment; Ultrasonics in obstetrics -- Periodicals; Generative organs, Female -- Diseases -- Diagnosis -- Periodicals; Diagnosis, Ultrasonic -- Periodicals; Genital Diseases, Female -- ultrasonography -- Periodicals; Ultrasonography, Prenatal -- Periodicals; 618.047543
• DOI: 10.1002/uog.20422
• Languages: English
• ISSNs: 0960-7692

Abstract

ABSTRACT: Objective: To develop enhanced prediction models to update the QUiPP App prototype, a tool providing individualized risk of spontaneous preterm birth (sPTB), for use in women with symptoms of threatened preterm labor (TPTL), incorporating risk factors, transvaginal ultrasound assessment of cervical length (CL) and cervicovaginal fluid quantitative fetal fibronectin (qfFN) test results. Methods: Participants were pregnant women between 23 + 0 and 34 + 6 weeks' gestation with symptoms of TPTL, recruited as part of four prospective cohort studies carried out at 16 UK hospitals between October 2010 and October 2017. The training set comprised all women whose outcomes were known in May 2017 ( n = 1032). The validation set comprised women whose outcomes were gathered between June 2017 and March 2018 ( n = 506). Parametric survival models were developed for three combinations of predictors: risk factors plus qfFN test results alone, risk factors plus CL alone, and risk factors plus both qfFN and CL. The best models were selected using the Akaike and Bayesian information criteria. The estimated probability of sPTB < 30, < 34 or < 37 weeks' gestation and within 1 or 2 weeks of testing was calculated and receiver‐operating‐characteristics (ROC) curves were created to demonstrate the diagnostic ability of the prediction models. Results: Predictive statistics were similar between the training and the validation sets at most outcome time points and for each combination of predictors. Areas under the ROC curves (AUC) demonstrated that all three algorithms had good accuracy for the prediction of sPTB at < 30, < 34 and < 37 weeks' gestation and within 1 and 2 weeks' post‐testing in the validation set, particularly the model combining risk factors plus qfFN alone (AUC: 0.96 at < 30 weeks; 0.85 at < 34 weeks; 0.77 at < 37 weeks; 0.91 at < 1 week from testing; and 0.92 at < 2 weeks from testing). Conclusions: Validation of the new prediction models suggests that the QUiPP App v.2 can reliably calculate risk of sPTB in women with TPTL. Use of the QUiPP App in practice could lead to better targeting of intervention, while providing reassurance and avoiding unnecessary intervention in women at low risk. Copyright © 2019 ISUOG. Published by John Wiley & Sons Ltd. Abstract : This article's abstract has been translated into Spanish and Chinese. Follow the links from the abstract to view the translations. RESUMEN: Desarrollo y validación de modelos predictivos para la Aplicación QUiPP v.2: herramienta para predecir el parto pretérmino en mujeres con síntomas de amenaza de parto prematuro Objetivo: Desarrollar modelos de predicción mejorados para actualizar el prototipo de la Aplicación QUiPP, una herramienta que proporciona el riesgo individualizado de parto pretérmino espontáneo (PPTE), para su uso en mujeres con síntomas de amenaza de parto pretérmino (APPT), mediante la incorporación de los factores de riesgo, la evaluación de la longitud cervical (LC) mediante ecografía transvaginal y los resultados de la prueba de fibronectina fetal cuantitativa (qfFN, por sus siglas en inglés) del líquido cérvico‐vaginal. Métodos: Las participantes fueron mujeres embarazadas entre 23 + 0 y 34 + 6 semanas de gestación con síntomas de APPT, reclutadas como parte de cuatro estudios de cohorte prospectivos llevados a cabo en 16 hospitales del Reino Unido entre octubre de 2010 y octubre de 2017. El grupo de entrenamiento comprendía a todas las mujeres cuyos resultados se conocían en mayo de 2017 (n = 1032). El grupo de validación estaba compuesto por mujeres cuyos resultados se recogieron entre junio de 2017 y marzo de 2018 (n = 506). Se desarrollaron modelos paramétricos de supervivencia para tres combinaciones de predictores: factores de riesgo más resultados de pruebas de qfFN solamente, factores de riesgo más LC solamente, y factores de riesgo más tanto qfFN como LC. Los mejores modelos fueron seleccionados utilizando los criterios de información de Akaike y Bayesiano. Se calculó la probabilidad estimada de PPTE a <30, <34 o <37 semanas de gestación y dentro de 1 o 2 semanas de la prueba y se crearon curvas de la característica operativa del receptor (ROC, por sus siglas en inglés) para demostrar la capacidad de diagnóstico de los modelos de predicción. Resultados: Las estadísticas de predicción fueron similares entre los grupos de entrenamiento y de validación en la mayoría de los puntos de tiempo de los resultados y para cada combinación de predictores. Las áreas bajo las curvas (ABC) ROC demostraron que los tres algoritmos tuvieron una buena precisión para la predicción del PPTE a <30, <34 y <37 semanas de gestación y dentro de 1 a 2 semanas después de la prueba en el grupo de validación, en particular el modelo que combina los factores de riesgo más qfFN por si solo (ABC: 0, 96 a <30 semanas; 0, 85 at <34 semanas; 0, 77 at <37 semanas; 0, 91 at <1 semana de la prueba; y 0, 92 a <2 semanas de la prueba Conclusiones: La validación de los nuevos modelos de predicción sugiere que la Aplicación QUiPP v.2 puede calcular de manera fiable el riesgo de PPTE en mujeres con APPT. El uso de la Aplicación QUiPP en la práctica podría llevar a un mejor cribado para la intervención, a la vez que daría seguridad y evitaría intervenciones innecesarias en mujeres con bajo riesgo. 摘要: QUiPP App v.2预测模型的开发与验证:先兆早产症状妇女的早产预测工具 目标: 开发增强型预测模型，完善先兆早产症状(TPTL)妇女的QUiPP App原型，结合危险因素、经阴道超声评估宫颈长度(CL)和宫颈阴道液定量胎儿纤维粘连蛋白(qfFN)检测结果预测自然早产个体化风险(sPTB)。 方法: 试验参与者是一群妊娠23+0至34+6周显示TPTL症状的孕妇，她们被招募参加2010年10月至2017年10月之间在英国16家医院进行的四项前瞻性群组研究中的一项或几项。训练集包括2017年5月得出结果的所有孕妇(n=1032)。验证集包括2017年6月至2018年3月间收集结果的孕妇(n=506)。针对三种预测变量组合开发了几个参数生存模型:危险因素与qfFn检验结果、危险因素与CL、危险因素加上qfFn和CL。根据Akaike和Bayesian信息准则选出了几个最佳模型。计算了妊娠30周、34周或37周内以及试验1周或2周内的sPTB估算概率，画出了受试者工作特征(ROC)曲线，以证明预测模型的诊断能力。 结果: 在大多数结果时间点以及每种预测变量组合下，训练集和验证集之间的预测统计结果是相似的。从ROC曲线(AUC)下部区域可以看出，这三种算法的验证集妊娠30周、34周或37周内以及试验后1周2周内sPTB估算准确率都很高，尤其是结合危险因素和qfFn的那个模型(妊娠30周34周和37周内、试验后1周2周内的AUC分别为0.96、0.85、0.77、0.91和0.92)。 结论: 新型预测模型的验证结果表明，QUiPP App v.2可以精确估算TPTL孕妇的sPTB风险。在临床实践中应用QUiPP应用程序可以实施精准干预，同时让低风险孕妇放心，也避免不必要的干预。