Competing‐risks model for prediction of small‐for‐gestational‐age neonate from maternal characteristics and medical history. (10th July 2020)

• Record Type: Journal Article
• Authors: Papastefanou, I.; Wright, D.; Nicolaides, K. H.
• Is Part Of: Ultrasound in obstetrics & gynecology. Volume 56:Number 2(2020)
• Page Start: 196
• Page End: 205
• Publication Date: 2020-07-10
• Subjects: Bayes' theorem -- fetal growth restriction -- first‐trimester screening -- SGA -- survival model; 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.22129
• Languages: English
• ISSNs: 0960-7692

Abstract

ABSTRACT: Background: The established method of identifying a group of women at high risk of delivering a small‐for‐gestational‐age (SGA) neonate, requiring increased surveillance, is use of risk scoring systems based on maternal demographic characteristics and medical history. Although this approach is relatively simple to perform, it does not provide patient‐specific risks and has an uncertain performance in predicting SGA. Another approach to predict delivery of a SGA neonate is to use logistic regression models that combine maternal factors with first‐trimester biomarkers. These models provide patient‐specific risks for different prespecified cut‐offs of birth‐weight percentile and gestational age (GA) at delivery. Objectives: First, to develop a competing‐risks model for prediction of SGA based on maternal demographic characteristics and medical history, in which GA at the time of delivery and birth‐weight Z ‐score are treated as continuous variables. Second, to compare the predictive performance of the new model for SGA neonates to that of previous methods. Methods: This was a prospective observational study in 124 443 women with singleton pregnancy undergoing routine ultrasound examination at 11 + 0 to 13 + 6 weeks' gestation. The dataset was divided randomly into a training and a test dataset. The training dataset was used to develop a model for the joint distribution of GA at delivery and birth‐weight Z ‐score from variables of maternal characteristics and medical history. This patient‐specific joint Gaussian distribution of GA at delivery and birth‐weight Z ‐score allows risk calculation for SGA defined in terms of different birth‐weight percentiles and GA. The new model was then validated in the test dataset to assess performance of screening and we compared its predictive performance to that of logistic regression models for different SGA definitions. Results: In the new model, the joint Gaussian distribution of GA at delivery and birth‐weight Z ‐score is shifted to lower GA at delivery and birth‐weight Z ‐score values, resulting in an increased risk for SGA, by lower maternal weight and height, black, East Asian, South Asian and mixed racial origin, medical history of chronic hypertension, diabetes mellitus and systemic lupus erythematosus and/or antiphospholipid syndrome, conception by in‐vitro fertilization and smoking. In parous women, variables from the last pregnancy that increased the risk for SGA were history of pre‐eclampsia or stillbirth, decreasing birth‐weight Z ‐score and decreasing GA at delivery of the last pregnancy and interpregnancy interval < 0.5 years. In the test dataset, at a false‐positive rate of 10%, the new model predicted 30.1%, 32.1%, 32.2% and 37.8% of cases of a SGA neonate with birth weight < 10 th percentile delivered at < 42, < 37, < 34 and < 30 weeks' gestation, respectively, which were similar or higher than the respective values achieved by a series of logistic regression models. The calibration study demonstrated good agreement between the predicted risks and the observed incidence of SGA in both the training and test datasets. Conclusions: A new competing‐risks model, based on maternal characteristics and medical history, provides estimation of patient‐specific risks for SGA in which GA at delivery and birth‐weight Z ‐score are treated as continuous variables. Such estimation of the a‐priori risk for SGA is an essential first step in the use of Bayes' theorem to combine maternal factors with biomarkers for the continuing development of more effective methods of screening for SGA. Copyright © 2020 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: Modelo de riesgos en competencia para la predicción de recién nacidos pequeños para la edad gestacional a partir de las características maternas y su historial médico Antecedentes: El método establecido para identificar a un grupo de mujeres con alto riesgo de dar a luz a un recién nacido de tamaño pequeño para la edad gestacional (PEG), que requiere una mayor vigilancia, es el uso de sistemas de puntuación de riesgos basados en las características demográficas maternas y el historial médico. Aunque este enfoque es relativamente sencillo de aplicar, no detecta riesgos específicos para la paciente y tiene un rendimiento incierto en la predicción de neonatos PEG. Otro enfoque para predecir el parto de neonatos PEG es utilizar modelos de regresión logística que combinan factores maternos con biomarcadores del primer trimestre. Estos modelos detectan riesgos específicos para cada paciente para diferentes límites preestablecidos del percentil de peso al nacer y la edad gestacional (EG) en el momento del parto. Objetivos: En primer lugar, desarrollar un modelo de riesgos en competencia para la predicción de neonatos PEG basado en las características demográficas maternas y el historial médico, en el que la EG en el momento del parto y la puntuación Z del peso al nacer se tratan como variables continuas. En segundo lugar, comparar el comportamiento predictivo del nuevo modelo para neonatos PEG con el de los métodos anteriores. Métodos: Este fue un estudio prospectivo de observación a 124 443 mujeres con embarazos de feto único que se sometieron a una ecografía de rutina entre las 11+0 y las 13+6 semanas de gestación. El conjunto de datos se dividió al azar en un conjunto de datos de entrenamiento y otro para la prueba. El conjunto de datos de entrenamiento se utilizó para elaborar un modelo para la distribución conjunta de la EG en el parto y la puntuación Z del peso al nacer a partir de variables de las características maternas y su historial médico. Esta distribución gaussiana conjunta específica de la paciente de la EG en el parto, junto con la puntuación Z del peso al nacer, permiten el cálculo del riesgo de un neonato PEG definido en términos de diferentes percentiles del peso al nacer y la EG. El nuevo modelo fue validado con el conjunto de datos de prueba para evaluar el desempeño del cribado y se comparó su rendimiento predictivo con el de los modelos de regresión logística para las diferentes definiciones de PEG . Resultados: En el nuevo modelo, la distribución gaussiana conjunta de la EG en el parto y la puntuación Z del peso al nacer se desplaza a valores más bajos de puntuación Z del peso al nacer y de la EG en el parto, lo que da lugar a un mayor riesgo de neonatos PEG cuando el peso y la altura de la madre disminuyen, para las madres de origen negro, de Asia oriental, de Asia meridional y de razas mixtas, con antecedentes médicos de hipertensión crónica, con diabetes mellitus y lupus eritematoso sistémico y/o síndrome antifosfolipídico, con la concepción por fecundación in vitro y con el tabaquismo. En las mujeres que ya han tenido algún hijo, las variables del último embarazo que aumentaron el riesgo de un neonato PEG fueron un historial de preeclampsia o el éxitus fetal, la disminución de la puntuación Z del peso al nacer sumada a una menor EG en el parto del último embarazo, y un intervalo entre embarazos de <0, 5 años. En el conjunto de datos de la prueba, con una tasa de falsos positivos del 10%, el nuevo modelo predijo el 30, 1%, 32, 1%, 32, 2% y 37, 8% de los casos de neonatos PEG con un peso al nacer <10 o percentil para partos a <42, <37, <34 y <30 semanas de gestación, respectivamente, que fueron similares o más altos que los valores respectivos logrados por una serie de modelos de regresión logística. El estudio de calibración demostró una buena concordancia entre los riesgos previstos y la incidencia observada de neonatos PEG tanto en el conjunto de datos de entrenamiento como en el de la prueba. Conclusiones: Un nuevo modelo de riesgos en competencia, basado en las características maternas y el historial clínico, proporciona una estimación de los riesgos específicos de cada paciente de un neonato PEG en el que la EG en el momento del parto y la puntuación Z del peso al nacer se tratan como variables continuas. Esa estimación del riesgo a priori para neonatos PEG es un primer paso esencial en el uso del teorema de Bayes para combinar los factores maternos con los biomarcadores a fin de seguir desarrollando métodos más eficaces de detección de neonatos PEG. Copyright © 2020 ISUOG. Published by John Wiley & Sons Ltd. 摘要: 从产妇特征和病史来预测小于胎龄新生儿的互竞风险模型 背景: 识别生下小于胎龄(SGA)新生儿的一组高风险孕妇的常见方法需要增加监测，使用以产妇个人背景特征和病史为基础的风险评分系统。尽管这种方法相对简单易行，但是却不提供患者特异风险，而且在预测SGA上也有不确定性。另一种预测生下SGA新生儿的方法是使用回归分析模型，将产妇因素与早期妊娠生物指标相结合。这些模型为出生体重百分位数的不同预设界限和分娩时孕龄(GA)提供患者特异风险。 目标: 首先，根据产妇个人背景特征和病史为预测SGA开发一个互竞风险模型，在该模型中将分娩时GA和出生体重Z评分看作连续变量。其次，把SGA新生儿的新模型的预测能力与以前的方法进行比较。 方法: 这是一项前瞻性观察研究，有124443名单胎受试孕妇于孕期第11+0周到第13+6周进行常规超声检查。数据集被随机分成培训数据集和测试数据集。培训数据集用于根据产妇特征和病史变量，为分娩时GA的联合分布和出生体重Z评分开发一个模型。该患者特异分娩时GA的联合高斯分布和出生体重Z评分，允许从不同出生体重百分位数和GA的角度来对SGA定义风险计算。然后，将新模型在测试数据集中进行验证以评估筛检表现，而且我们针对不同的SGA定义将其预测能力与回归分析模型进行比较。 结果: 在新模型中，将分娩时GA的联合高斯分布和出生体重Z评分转移到分娩时更低的GA和出生体重Z评分值，结果是孕妇体重更低、身高更矮，黑人、东亚人、南亚人和混合族源，有慢性高血压、糖尿病、全身性红斑狼疮和/或抗磷脂综合征的病史，通过体外人工授精怀孕和吸烟，都会增加SGA的风险。在经产妇女中，上一次怀孕时增加SGA风险的变量有先兆子痫病史或死产、出生体重Z评分降低和上一次怀孕的分娩时GA减少，以及怀孕间隔小于半年。在测试数据集中，当假阳性率为10%时，新模型预测了在孕期小于42周、小于37周、小于34周和小于30周时生下出生体重低于第10百分位数的SGA新生儿分别为总受试病例的30.1%、32.1%、32.2%和37.8%，这个结果类似或高于通过一系列回归分析模型得出的各个值。校验研究证明了预测风险和观测到的SGA发病率在培训数据集和测试数据集中有良好的一致性。 结论: 一个基于产妇特征和病史的新互竞风险模型，为SGA提供患者特异风险估计，分娩时GA和出生体重Z评分在该模型中被看作连续变量。此类对SGA先天风险的评估，是使用贝叶斯定理结合产妇因素与生物指标的至关重要的第一步，从而为SGA开发更为有效的筛检方法。版权 © 2020 ISUOG。由威利父子公司(John Wiley & Sons Ltd)出版。