Victor A, de França da Silva Teles L, Aires IO, de Carvalho LF, Luzia LA, Artes R, et al. L’impact de la prise de poids gestationnel sur les issues fœtales et néonatales : l’étude de cohorte Araraquara. Accouchement de grossesse BMC. 2024;24:320.
Google Scholar
Goldstein RF, Abell SK, Ranasinha S, Misso ML, Boyle JA, Harrison CL et al. Gain de poids gestationnel selon les continents et les ethnies : revue systématique et méta-analyse des résultats maternels et infantiles chez plus d’un million de femmes. BMC Med. 2018;16:153.
Google Scholar
Macdonald-Wallis C, Tilling K, Fraser A, Nelson SM et Lawlor DA. La prise de poids gestationnelle comme facteur de risque de troubles hypertensifs de la grossesse. Suis J Obstet Gynecol. 2013;209 :e3271–32717.
Google Scholar
Ren M, Li H, Cai W, Niu X, Ji W, Zhang Z et al. Prise de poids gestationnelle excessive selon les critères de l’IOM et risque de troubles hypertensifs de la grossesse : une méta-analyse. Accouchement de grossesse BMC. 2018;18:281.
Google Scholar
Truong YN, Yee LM, Caughey AB et Cheng YW. Prise de poids pendant la grossesse : l’Institut de Médecine a-t-il raison ? Le Journal américain d’obstétrique et de gynécologie. 2015;212 :362.e1-362.e8.
Davis RR, Hofferth SL, Shenassa ED. Gain de poids gestationnel et risque de décès infantile aux États-Unis. Suis J Santé publique. 2014 ; 104 (Supplément 1) : S90–5.
Google Scholar
Voerman E, Santos S, Inskip H, Amiano P, Barros H, Charles MA et al. Association de la prise de poids gestationnelle avec des issues négatives pour la mère et le nourrisson. JAMA. Rév. 2019 ; 321 : 1702-1
Google Scholar
Lipworth H, Barrett J, Murphy KE, Redelmeier D, Melamed N. Gain de poids gestationnel lors des grossesses gémellaires et issues de la grossesse : une revue systématique et une méta-analyse. BJOG. 2022 ; 129 : 868-79.
Google Scholar
Champion ML, Harper LM. Gain de poids gestationnel : mise à jour sur les résultats et les interventions. Représentant Curr Diab. 2020;20:11.
Google Scholar
Gesche J, Nilas L. Résultat de la grossesse en fonction de l’indice de masse corporelle avant la grossesse et du gain de poids gestationnel. Int J Gynecol Obstet. 2015 ; 129 : 240-3.
Google Scholar
Jordan MI, Mitchell TM. Apprentissage automatique : tendances, perspectives et perspectives. Sciences (1979). 2015 ; 349 : 255-60.
Lee KS, Ahn KH. Application de l’intelligence artificielle au diagnostic précoce du travail et de l’accouchement prématurés spontanés. Diagnostic (Bâle). 2020;10.
Ayodele TO. Présentation de l’apprentissage automatique. Nouvel apprentissage Adv Mach. 2010 ; 2 : 9-18.
Ramakrishnan R, Rao S, He JR. Prédicteurs de la santé périnatale utilisant l’intelligence artificielle : une revue. Santé des femmes (Londres). 2021;17:17455065211046132.
Google Scholar
Batista AFM, Diniz CSG, Bonilha EA, Kawachi I, Chiavegatto Filho ADP. Prédiction de la mortalité néonatale avec des données collectées régulièrement : une approche d’apprentissage automatique. BMC Pédiatre. 2021;21:322.
Google Scholar
Arayeshgari M, Najafi-Ghobadi S, Tarhsaz H, Parami S, Tapak L. Classificateurs basés sur l’apprentissage automatique pour la prédiction de l’insuffisance pondérale à la naissance. Inf.Santé Rés. 2023 ; 29 : 54-63.
Google Scholar
Raj Pandey S, Ma J, Lai CH, Raj Regmi P. Une approche d’apprentissage automatique supervisé pour générer la règle automatique pour le système d’aide à la décision clinique. Tendances Med. 2020;20.
Ranjbar A, Montazeri F, Farashah MV, Mehrnoush V, Darsareh F, Roozbeh N. Approche basée sur l’apprentissage automatique pour prédire l’insuffisance pondérale à la naissance. Accouchement de grossesse BMC. 2023 ;23.
Naimi AI, Platt RW, Larkin JC. Apprentissage automatique pour la prédiction de la croissance fœtale. Épidémiologie. 2018 ; 29 : 290-8.
Google Scholar
Islam MN, Mustafina SN, Mahmud T, Khan NI. Apprentissage automatique pour prédire les issues de la grossesse : une revue systématique, un cadre de synthèse et un futur programme de recherche. Accouchement de grossesse BMC. 2022;22:348.
Google Scholar
Martínez-Hortelano JA, Cavero-Redondo I, Álvarez-Bueno C, Garrido-Miguel M, Soriano-Cano A, Martínez-Vizcaíno V. Surveillance du gain de poids gestationnel et de l’IMC avant la grossesse à l’aide des lignes directrices 2009 de l’IOM dans la population mondiale : une revue systématique et méta-analyse. Accouchement de grossesse BMC. 2020;20:649.
Google Scholar
OIM. Prise de poids pendant la grossesse : réexaminer les lignes directrices. Washington, DC : Académies nationales ; 2009.
Google Scholar
Kang H. La prévention et le traitement des données manquantes. Anesthésiologie coréenne J. 2013 ; 64 : 402-6.
Google Scholar
García-Laencina PJ, Sancho-Gómez JL, Figueiras-Vidal AR. Classification des modèles avec données manquantes : une révision. Application de calcul neuronal. 2010 ; 19 : 263-82.
Google Scholar
Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A. CatBoost : boosting impartial avec des fonctionnalités catégorielles. Système de processus d’information neuronale avancé. 2018;31.
Chen T, Guestrin C, Xgboost. Un système de boosting d’arbres évolutif. Dans : Actes de la 22e conférence internationale acm sigkdd sur la découverte des connaissances et l’exploration de données. 2016. p. 785-94.
Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W et al. Lightgbm : un arbre de décision d’amplification de gradient très efficace. Système de processus d’information neuronale avancé. 2017;30.
Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn : apprentissage automatique en Python. J Mach Apprendre Res. 2011 ; 12 : 2825-30.
Google Scholar
Bergstra J, Yamins D, Cox D. Faire une science de la recherche de modèles : optimisation des hyperparamètres dans des centaines de dimensions pour les architectures de vision. Dans : Conférence internationale sur l’apprentissage automatique. PMLR; 2013. p. 115-23.
Cours MB, Rudnicki WR. Sélection de fonctionnalités avec le package Boruta. Logiciel J Stat. 2010 ; 36 : 1-1
Google Scholar
Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B et al. Des explications locales à la compréhension globale avec une IA explicable pour les arbres. Nat Mach Intell. 2020 ; 2 : 56-67.
Google Scholar
Lundberg SM, Lee SI. Une approche unifiée pour interpréter les prédictions des modèles. Système de processus d’information neuronale avancé. 2017;30.
Rodríguez-Pérez R, Bajorath J. Interprétation de modèles d’apprentissage automatique à l’aide de valeurs Shapley : application à la puissance composée et aux prédictions d’activité multi-cibles. J Mol Des. assisté par ordinateur. 2020 ; 34 : 1013-26.
Google Scholar
Moons KGM, Altman DG, Reitsma JB, Ioannidis JPA, Macaskill P, Steyerberg EW et al. Reporting transparent d’un modèle de prédiction multivariable pour le pronostic ou le diagnostic individuel (TRIPOD) : explication et élaboration. Ann Intern Med. 2015 ; 162 : W1-73.
Google Scholar
Shwartz-Ziv R, Armon A. Données tabulaires : l’apprentissage en profondeur n’est pas tout ce dont vous avez besoin. Informez Fusion. 2022 ; 81 : 84-90.
Google Scholar
Borisov V, Leemann T, Seßler K, Haug J, Pawelczyk M, Kasneci G. Réseaux de neurones profonds et données tabulaires : une enquête. Système d’apprentissage du réseau neuronal trans IEEE. 2022 : 1-21.
Kominiarek MA, O’Dwyer LC, Simon MA, Plunkett BA. Cibler les prestataires d’obstétrique dans les interventions contre l’obésité et la prise de poids gestationnel : une revue systématique. PLoS UN. 2018;13 :e0205268.
Google Scholar
Ren P, Yang XJ, Railton R, Jendza J, Anil L, Baidoo SK. Effets de différents niveaux de consommation alimentaire pendant quatre courtes périodes de gestation et de systèmes de logement sur les performances des truies et des portées. Anim Reprod Sci. 2018 ; 188 : 21-34.
Google Scholar
#Modélisation #prédictive #prise #poids #gestationnelle #une #étude #classification #multiclasse #par #apprentissage #automatique #BMC #Grossesse #accouchement