Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISEÑO, AJUSTE Y PARTICIPANTES Este estudio de cohorte utilizó datos del registro vital basado en la población del Instituto Recomendaciones Usando advancedmachine
Nacional de Salud Infantil y Desarrollo Humano Eunice Kennedy Shriver, la Red Global para la Investigación de la Salud de la Mujer y técnicas de modelado basadas en el aprendizaje
el Niño, incluidos los sitios clínicos en el sur de Asia (India y Pakistán), África (República Democrática del Congo , Zambia y Kenia) y un gran prospecto multipaís
América Latina (Guatemala). Se inscribieron prospectivamente en el registro un total de 502 648 embarazos. base de datos materna y neonatal, este estudio de cohorte
EXPOSICIONES Los factores de riesgo se agregaron secuencialmente al conjunto de datos en 4 escenarios: (1) prenatal, (2) antes del neonatal utilizando variables antes del parto es baja, pero
parto, (3) parto y día 1, y (4) posparto hasta el día 2. la precisión de predicción de la muerte neonatal se puede
PRINCIPALES RESULTADOS Y MEDIDAS Los conjuntos de datos se dividieron aleatoriamente en 10 grupos de 3 conjuntos de datos de análisis que nacer fue el predictor más importante de
incluyen entrenamiento (60%), prueba (20%) y validación (20%). Se aplicaron técnicas de modelado de aprendizaje automático convencionales y
avanzadas para evaluar las habilidades predictivas utilizando el área bajo la curva (AUC) para la muerte fetal intraparto y la mortalidad neonatal.
mortalidad.
en ambos escenarios posteriores al parto con capacidad predictiva independiente con valores de AUC de 0,78 y 0,76, respectivamente. La adición de
otros 4 predictores principales aumentó el AUC a 0,83 y 0,87 para los escenarios posteriores a la entrega, respectivamente. + Contenido suplementario
CONCLUSIONES Y RELEVANCIA Los modelos basados en datos prenatales o previos al parto tenían una precisión predictiva de mortinatos
intraparto y mortalidad neonatal de valores de AUC de 0,71 o menos. Los modelos que incorporaron datos del parto tuvieron una buena
precisión predictiva del riesgo de mortalidad neonatal. El peso al nacer fue el predictor más importante de mortalidad neonatal.
Acceso abierto. Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia CC-BY.
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 1/13
Introducción
El período neonatal es el período de la vida con mayor riesgo de mortalidad. 1 Anualmente, se producen en todo el mundo 2,5 millones de muertes
neonatales y 2,6 millones de mortinatos, de los cuales 1,3 millones son mortinatos intraparto. 2 Se estima que aproximadamente el 98% de todas las
muertes neonatales y perinatales ocurren en países de ingresos bajos y medianos. 3-5 Sin embargo, casi toda la literatura publicada sobre la identificación
de predictores de mortalidad fetal y neonatal y las herramientas de puntuación de riesgo se basan en datos de países de ingresos altos. Los datos de
países de ingresos bajos y medianos se limitan a estudios de tamaño de muestra pequeño que carecen de validación con una muestra independiente.
Además, los modelos de predicción de aprendizaje automático pueden funcionar mejor que los modelos convencionales cuando se aplican a grandes
conjuntos de datos dada su capacidad para delinear relaciones complejas e identificar interacciones novedosas entre variables. 6-11 Aunque se espera
que los modelos de predicción basados en el aprendizaje automático funcionen mejor con grandes conjuntos de datos, esta hipótesis no se ha probado
de manera convincente con una base de datos de población recopilada prospectivamente de buena calidad. 6-8,11
Nuestro objetivo fue desarrollar una herramienta de evaluación de riesgos para la muerte fetal intraparto y la mortalidad neonatal que incluiría
variables maternas y neonatales de una base de datos prospectiva de múltiples países y madres y neonatos. Comparamos varios métodos de
modelado analítico, convencionales y avanzados, basados en el aprendizaje automático, en puntos de tiempo específicos para establecer
precisiones predictivas individuales de los modelos. Probamos la hipótesis de que los modelos de predicción del riesgo de muerte fetal intraparto y
mortalidad neonatal que incluyen variables prenatales y de parto proporcionan una alta precisión. Además, también probamos si los modelos
avanzados basados en el aprendizaje automático tienen una mayor precisión predictiva que un modelo de regresión logística convencional.
Métodos
El estudio se llevó a cabo en el Instituto Nacional de Salud Infantil y Desarrollo Humano Eunice Kennedy Shriver, Red Global para
la Investigación de la Salud de la Mujer y el Niño, que incluye sitios clínicos en entornos de recursos limitados en el sur de Asia
(India y Pakistán), África (República Democrática del Congo). , Zambia y Kenia) y América Latina (Guatemala). En 2009 se
estableció un registro vital del Registro de salud materna neonatal de la Red Global (GN-MNHR) basado en la población. 12
Mujeres embarazadas y sus 502648 descendientes que participan en la base de datos GN-MNHR desde enero
1 de 2010 al 31 de diciembre de 2018. Se informó la descripción de los sitios y la configuración del clúster. 13 La base de datos GN-MNHR
incluye datos que comienzan con la visita prenatal inicial y hasta 42 días después del parto de los participantes del estudio. Los procesos de
datos del GN-MNHR incluyen un seguimiento de la calidad y unas intervenciones de mejora de la calidad tanto a nivel local como central para
garantizar la integridad y la calidad de los datos. 12 Las definiciones de GN-MNHR se utilizaron para definir variables y resultados como se
informó anteriormente. 13 La base de datos GN-MNHR ha sido revisada y aprobada por los comités de revisión de ética de todos los sitios y los
cuadros de revisión institucionales en cada universidad asociada de EE. UU. Y en el centro de coordinación de datos (RTI International). Todas
las mujeres dieron su consentimiento informado por escrito para participar en la base de datos GN-MNHR, incluida la recopilación de datos y las
visitas de seguimiento. El estudio se informa según el Informe transparente de un modelo de predicción multivariable para diagnóstico o
pronóstico individual ( TRÍPODE ) guía de informes para informes de modelos de predicción multivariable. 14
El Registro de salud materna neonatal de NICHDGlobal Network está registrado en ClinicalTrials.gov (NCT01073475).
Resultados
Las variables de resultado fueron muerte fetal intraparto y mortalidad neonatal. La muerte fetal intraparto se definió como la muerte fetal no
macerada presumiblemente durante el trabajo de parto. La mortalidad neonatal se definió como la muerte hasta 28 días después del nacimiento. Los
factores de riesgo potenciales (variables) para el resultado se seleccionaron de la base de datos en función de la literatura existente y la relevancia
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 2/13
Análisis estadístico
Los factores de riesgo se agregaron secuencialmente en 4 conjuntos de datos de escenarios: (1) prenatal (variables hasta la primera visita de
atención prenatal), (2) preparto (variables hasta justo antes del parto), (3) parto y día 1 (parto / día 1) y (4) después de la entrega hasta el día 2
(después de la entrega / día 2). El día 0 se definió como el día calendario de nacimiento. El día 1 y el día 2 se definieron como los días calendario
posteriores. Evaluamos los resultados de mortalidad utilizando conjuntos de factores de riesgo potenciales con variables secuencialmente
adicionales para determinar si los factores de riesgo potenciales adicionales mejoraron la precisión predictiva de los resultados. 15 Los 2 primeros
modelos de escenario (prenatal y preparto) evaluaron el resultado de la mortalidad intraparto hasta el parto y neonatal. El tercer modelo de
escenario (parto / día 1) evaluó el resultado de la mortalidad neonatal en los días 2 a 27. El cuarto modelo de escenario (postparto / día 2) evaluó el
resultado de la mortalidad neonatal en los días 3 a 27. Los conjuntos de datos de parto y posparto fueron censurados para las muertes que
ocurrieron antes de agrupar los puntos temporales y los datos faltantes, de modo que solo se incluyeron los neonatos supervivientes con datos
completos.
Para construir y validar modelos predictivos, se utilizó un muestreo dividido para apartar secciones de los datos para la estimación de la incertidumbre y la
validación del modelo de precisión predictiva. Los modelos considerados fueron regresión logística y 5 modelos de aprendizaje de máquina (SVM [máquina de
vectores de soporte con núcleo de función de base radial], EN [red elástica logística], NN [red neuronal], GBE [conjunto potenciado por gradiente] y RF [bosque
aleatorio]). La gestión de datos se completó con el software SAS 9.4 (SAS Institute Inc) y la construcción del modelo se completó con el módulo scikit-learn Python.
Los gráficos se completaron utilizando R 4.0.2 (Proyecto R para Computación Estadística). Todos los modelos, excepto la regresión logística, se ajustaron
utilizando una validación cruzada de 10 veces en los datos de entrenamiento, y luego cada modelo ajustado se aplicó a los datos de la prueba para una evaluación
de la precisión predictiva. Para evaluar la consistencia de la precisión, se repitió el ajuste en el entrenamiento más los datos de prueba, y se aplicaron modelos
ajustados a los datos de validación. La precisión predictiva se evaluó utilizando el área bajo la curva (AUC) de las curvas de característica operativa del receptor
(ROC). Debido a que el resultado de cualquier evaluación de precisión utilizando datos divididos aleatoriamente es aleatorio, el análisis completo se repitió dentro
de cada uno de los 10 subconjuntos de datos mutuamente exclusivos para cada escenario. Esto nos permitió tener 10 evaluaciones de precisión para cada modelo
dentro de cada escenario, lo que permitió una evaluación de la incertidumbre en la precisión estimada para todos los modelos. Emparejado La precisión predictiva
se evaluó utilizando el área bajo la curva (AUC) de las curvas de característica operativa del receptor (ROC). Debido a que el resultado de cualquier evaluación de
precisión utilizando datos divididos aleatoriamente es aleatorio, el análisis completo se repitió dentro de cada uno de los 10 subconjuntos de datos mutuamente
exclusivos para cada escenario. Esto nos permitió tener 10 evaluaciones de precisión para cada modelo dentro de cada escenario, lo que permitió una evaluación
de la incertidumbre en la precisión estimada para todos los modelos. Emparejado La precisión predictiva se evaluó utilizando el área bajo la curva (AUC) de las
curvas de característica operativa del receptor (ROC). Debido a que el resultado de cualquier evaluación de precisión utilizando datos divididos aleatoriamente es
aleatorio, el análisis completo se repitió dentro de cada uno de los 10 subconjuntos de datos mutuamente exclusivos para cada escenario. Esto nos permitió tener
10 evaluaciones de precisión para cada modelo dentro de cada escenario, lo que permitió una evaluación de la incertidumbre en la precisión estimada para todos
los modelos. Emparejado permitiendo una evaluación de la incertidumbre en la precisión estimada para todos los modelos. Emparejado permitiendo una
evaluación de la incertidumbre en la precisión estimada para todos los modelos. Emparejado t Se utilizaron pruebas en estas 10 estimaciones de precisión para comparar modelos con el fin de evaluar descriptivamente si los modelos dentro de un escenario eran disc
Resultados
Después de eliminar los datos faltantes y las muertes antes de agrupar los puntos de tiempo, el conjunto de datos prenatales contenía 487 642 recién nacidos, el
conjunto de datos previos al parto contenía 487537 recién nacidos, el conjunto de datos parto / día 1 contenía 469516 recién nacidos, y los datos posteriores al
parto / día 2 conjunto contenía 468356 recién nacidos ( Figura 1). La distribución por sexo de los recién nacidos fue 51,6% hombres y 48,4% mujeres en el
conjunto de datos prenatales. Las variables maternas y neonatales de referencia varían ligeramente para cada uno de los 4 conjuntos de datos debido a la
censura ( Tabla 1). Los tamaños de muestra para cada subconjunto antes de dividirlos en conjuntos de datos de entrenamiento, prueba y validación también
varían ligeramente, lo que refleja la variación debida a los datos faltantes (eTabla 1 en el
Suplemento ).
Los modelos que utilizaban solo variables prenatales o prenatales y previas al parto tenían una precisión predictiva para la mortalidad intraparto
hasta el parto y la mortalidad neonatal de valores de AUC de 0,71 o menos ( Figura 2). El análisis de los modelos de mortinato intraparto mostró que todos
los modelos prenatales tenían valores de AUC de 0,63 o menos y todos los modelos previos al parto tenían valores de AUC de 0,72 o menos (eFigura 1
en la Suplemento ). La mortalidad perinatal agrupada fue el predictor más importante de muerte fetal intraparto en el conjunto de datos prenatales (AUC,
0,60) y la hemorragia antes del parto fue el predictor más importante en el conjunto de datos previos al parto (AUC, (0,56) (eTabla 2 en
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 3/13
El conjunto de datos prenatales fue la edad gestacional al momento de la inscripción, la edad materna, el orden de nacimiento y la paridad. Otros
predictores importantes de la muerte fetal intraparto en el conjunto de datos previos al parto fueron la mortalidad perinatal agrupada; edad gestacional al
Los modelos predictivos basados en los conjuntos de datos que incluían las variables parto / día 1 y posparto / día 2 tuvieron una
buena precisión predictiva para la mortalidad neonatal, con 5 de los 6 modelos con AUC superiores a 0,80. El peso al nacer fue el predictor
más importante en los escenarios parto / día 1 y posparto / día 2, con una capacidad predictiva independiente de AUC 0,78 y 0,76,
respectivamente. El aumento en la probabilidad de mortalidad con la disminución del peso al nacer ocurrió tanto en el escenario parto / día
1 como posparto / día 2 ( Figura 3; eFigura 2 en el Suplemento ). La reanimación con bolsa y mascarilla, la edad gestacional, la tasa de
mortalidad perinatal agrupada y la edad materna fueron los otros predictores principales para el escenario parto / día 1. Las condiciones que
requerían hospitalización, antibióticos, edad gestacional y reanimación con bolsa y mascarilla fueron los otros predictores principales para el
escenario posparto / día 2. La adición de estos otros predictores principales resultó en aumentos en las AUC (0,83 y 0,87 para los
escenarios parto / día 1 y postparto / día 2, respectivamente) en relación con el peso al nacer solo.
Para los modelos que evalúan los resultados de muerte fetal intrauterina y mortalidad neonatal, el par t La prueba mostró que había
diferencias estadísticamente insignificantes entre los valores de AUC ilustradas por una superposición considerable de los intervalos de confianza
(Figura 2). Sin embargo, los modelos de bosques aleatorios y conjuntos potenciados por gradientes se encontraban consistentemente entre los
modelos de mejor rendimiento. Aunque el modelo de regresión logística no fue el modelo de mejor desempeño en ningún escenario, el AUC del
modelo de regresión logística no fue significativamente diferente de los modelos de mejor desempeño.
9639 Excluido
2543 Inelegible
1085 No dio su consentimiento
6011 Perdido antes de la entrega
578633 Entregado
91307 Excluido
45567 Inscrito después del parto o faltan datos de tiempo
30418 Falta de resultado primario
4194 Mortinato macerado
24267 Aborto espontáneo o MTP
antes de eliminar los datos de covariables que faltan. Los conjuntos de datos fueron
487326 Recién nacidos vivos el día 2 censurados tanto para las muertes que ocurrieron antes de los puntos temporales
como para los datos faltantes. Los participantes no elegibles incluyeron a las que se
1360 Muertes ocurridas el día 2 inscribieron temprano y luego se descubrió que no estaban embarazadas y las que
2676 Muertes ocurridas del día 3 al día 5 487 642/502 648 partos tenían datos predictores completos para el escenario
escenario previo al parto, 469516/487 326 recién nacidos vivos el día 2 tenían
483290 Recién nacidos vivos el día 6
datos predictores completos para el escenario parto / día 1, y 468 356/485 966
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/4
Edad gestacional al momento de la inscripción, semana 20,2 (9,2) 20,2 (9,2) 20,2 (9,3) 20,2 (9,3) Prenatal
Paridad, No. 1,8 (2,1) 1,8 (2,1) 1,7 (2,1) 1,7 (2,1) Prenatal
Tasa de mortalidad por conglomerados a 0,04 (0,02) 0,04 (0,02) 0,04 (0,02) 0,04 (0,02) Prenatal
Edad materna, años 24,8 (5,3) 24,8 (5,3) 24,8 (5,3) 24,8 (5,3) Prenatal
Edad gestacional, semana 38,6 (3,5) B 38,6 (3,5) B 38,7 (3,3) 38,7 (3,3) Entrega / día 1
Peso al nacer, g 2899 (505) C 2899 (505) C 2914 (480) 2916 (478) Entrega / día 1
Sitio Prenatal
República Democrática del Congo 31141 (6,4) 31138 (6,4) 29 595 (6,3) 29 553 (6,3)
Belagavi, India 101 385 (20,8) 101350 (20,8) 97 913 (20,9) 97 671 (20,9)
Nagpur, India 77 774 (15,9) 77 769 (16,0) 75 612 (16,1) 75 354 (16,1)
Variables maternas
20-35 401172 (82,3) 401084 (82,3) 386 461 (82,3) 385 491 (82,3)
Ninguno 111 608 (22,9) 111558 (22,9) 105 057 (22,4) 104 716 (22,4)
Primario 143875 (29,5) 143853 (29,5) 138 867 (29,6) 138 549 (29,6)
Secundario 197 542 (40,5) 197 510 (40,5) 191767 (40,8) 191354 (40,9)
Primero 482984 (99,0) 482885 (99,0) 465 612 (99,2) 464516 (99,2)
≥1 visita prenatal 474530 (97,4) 474 433 (97,4) 457 467 (97,5) 456 338 (97,5) Pre entrega
Hemorragia anteparto 5625 (1,2) 5621 (1,2) 3856 (0,8) 3797 (0,8) Pre entrega
Hipertensión 12 798 (2,6) 12 793 (2,6) 11 501 (2,5) 11 407 (2,4) Pre entrega
Sospecha de sepsis 2142 (0,5) 2141 (0,5) 1902 (0,4) 1892 (0,4) Pre entrega
Eclampsia 222 (0,0) 222 (0,0) 192 (0,0) 191 (0,0) Pre entrega
Corticosteroides prenatales 9228 (2,6) 9227 (2,6) 8544 (2,5) 8463 (2,5) Pre entrega
Hospitalización 3790 (0,8) 3790 (0,8) 3502 (0,8) 3492 (0,8) Post-entrega / día 2
Antibióticos 195383 (48,6) 195 368 (48,6) 187 268 (48,3) 186 604 (48,3) Post-entrega / día 2
Variables de entrega
Médico 177 644 (36,4) 177 605 (36,4) 170 942 (36,4) 170 362 (36,4)
Enfermera / partera 180 191 (37,0) 180 181 (37,0) 174874 (37,2) 174562 (37,3)
TBA 105 025 (21,5) 105 016 (21,5) 100 981 (21,5) 100 775 (21,5)
Familia / yo / otros 24 735 (5,1) 24 735 (5,1) 22 719 (4,8) 22 657 (4,8)
Hospital 219 777 (45,1) 219 767 (45,1) 211 746 (45,1) 211 101 (45,1)
Clínica / centro de salud 146 058 (30,0) 146 034 (30,0) 141705 (30,2) 141417 (30,2)
Hogar 121 743 (25,0) 121736 (25,0) 116065 (24,7) 115 838 (24,7)
(continuado)
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/5
Parto múltiple 9251 (1,9) 9243 (1,9) 7957 (1,7) 7846 (1,7) Entrega / día 1
Vaginal 413 453 (84,8) 413 364 (84,8) 396 606 (84,7) 396 704 (84,7)
Vaginal, asistido 4753 (1,0) 4750 (1,0) 4311 (0,9) 4284 (0,9)
discos compactos 69 425 (14,2) 69 418 (14,2) 67 599 (14,4) 67 368 (14,4)
Trabajo obstruido 40 540 (8,3) 40 527 (8,3) 36 938 (7,9) 36 760 (7,9) Entrega / día 1
Variables neonatales
Masculino 251197 (51,6) 251148 (51,6) 241240 (51,4) 240 561 (51,4)
Mujer 236 080 (48,4) 236 026 (48,4) 228240 (48,6) 227 759 (48,6)
Reanimación con bolsa y mascarilla 19 669 (4,1) 19 649 (4,1) 16 692 (3,6) 16 254 (3,5) Entrega / día 1
Anomalías congénitas 1084 (0,5) 1084 (0,5) 677 (0,3) 658 (0,3) Entrega / día 1
Hospitalización 9650 (2,2) 9648 (2,2) 9474 (2,1) 9315 (2,1) Post-entrega / día 2
Antibióticos 20 740 (5,8) 20 736 (5,7) 19 178 (5,5) 18 726 (5,4) Post-entrega / día 2
Cuidado del cordón 83 172 (77,2) 83 172 (77,2) 81661 (78,8) 81416 (78,8) Post-entrega / día 2
Cuidado del cordón medicinal 52 076 (20,6) 52 076 (20,6) 51110 (20,9) 50 950 (20,9) Post-entrega / día 2
a La mortalidad perinatal por conglomerados es la tasa de mortalidad perinatal dentro de cada área geográfica distinta
La adición secuencial de variables se realizó para identificar la contribución relativa individual de cada variable al AUC para los resultados
combinados de muerte fetal intraparto y mortalidad neonatal según el conjunto de datos de validación ( Tabla 2) y desarrollar un sistema de puntuación
de riesgo para la muerte fetal intrauterina y la mortalidad neonatal. La Tabla 2 enumera los cambios en el AUC a medida que se agregan predictores al
modelo utilizando el orden de importancia de los predictores (ver eAppendix en el Suplemento para obtener más detalles sobre la importancia del
predictor). Se ajustó un modelo de regresión logística modificado basado en los hallazgos del mejor modelo de aprendizaje automático, así como en los
resultados de un estudio de selección de variables utilizando regresión logística y el método de operador de selección y contracción mínima absoluta
(LASSO) para la identificación de interacciones potenciales para crear un sistema de puntuación de riesgo para el entrega / día 1 y post-entrega / día 2
datos (eTable 3 en el
Suplemento ). Utilizando puntuaciones de riesgo calculadas a partir de este sistema de puntuación de riesgo, se ajustó un modelo de regresión logística a
las puntuaciones de riesgo totales con el fin de derivar una fórmula para predecir la probabilidad de mortalidad dada la puntuación de riesgo calculada. El
modelo logístico para la puntuación del riesgo de mortalidad neonatal tuvo un valor AUC en los datos de validación igual a 0,809 (97% del mejor modelo)
0,845 (97% del mejor modelo) para el escenario posterior a la entrega / día 2 (eTable 4 en el Suplemento ).
Discusión
Este estudio de cohorte encontró que los modelos predictivos que usaban solo variables prenatales o prenatales y previas al parto tenían precisión
0,71 o menos. Identificamos que se podría hacer una mejor predicción del riesgo de mortalidad neonatal cuando se incluyan en los modelos las
variables obtenidas inmediatamente después del parto y hasta 2 días después del nacimiento, con un AUC que aumente hasta 0,87. El peso al
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/6
mortalidad neonatal entre todas las variables consideradas. La contribución de otros predictores al aumento del AUC fue relativamente
menor.
Muchos estudios han analizado variables asociadas con un mayor riesgo de muerte fetal intrauterina o mortalidad neonatal, pero solo un
estudio dieciséis utilizó un grupo relativamente grande de recién nacidos para desarrollar modelos predictivos. Como se encontró en el estudio
actual, una precisión predictiva baja (AUC = 0,58, IC del 95% = 0,56–0,59) utilizando variables prenatales se informó en un estudio basado en
10 sitios de 3 países del sur de Asia (N = 49632). dieciséis De manera similar a los hallazgos del estudio actual, la precisión predictiva del modelo
mejoró cuando se incluyeron las variables posteriores al parto (AUC = 0,83, IC del 95% = 0,79 a 0,86), pero solo se aplicó el modelo de
regresión logística para desarrollar el modelo, y los resultados no se validaron. con una muestra independiente. Los resultados actuales son
consistentes con los datos de una gran base de datos neonatal prospectiva de participantes que viven en un país de ingresos altos, que mostró
que
Figura 2. Media (IC del 95%) para el AUC de validación por escenario para los resultados del parto
A Prenatal
SVM
ES
NN
LR
GBE
RF
AUC
B Pre entrega
SVM
ES
LR
NN
RF
GBE
AUC
C Entrega y día 1
SVM
ES
LR
RF
GBE
NN
AUC
D Post-entrega y día 2
SVM
ES
LR
NN
GBE
RF
AUC
EN indica red elástica logística; GBE, conjunto mejorado con gradiente; NN, red neuronal; RF, bosque
aleatorio; y SVM, máquina de vectores de soporte con kernel de función de base radial.
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/7
La inclusión de las variables del parto (especialmente el peso al nacer) da como resultado una mejor precisión para predecir la mortalidad neonatal
que los modelos con solo variables prenatales. 15
Se ha informado que algunos de los predictores importantes en el estudio actual están asociados con un mayor riesgo de
mortalidad neonatal en análisis de asociación simples. En un análisis agrupado de datos de países de ingresos bajos y medianos, se
encontró que el tamaño pequeño para la edad gestacional y la prematuridad se asociaron con un mayor riesgo de mortalidad neonatal en
el análisis de asociación (bivariado), aunque no se analizó específicamente el peso al nacer. 17 Las inferencias de análisis agrupados
pueden plantear cuestiones de calidad, precisión y generalización. 18 Además, los registros vitales de países de ingresos bajos y medios
tienen una precisión cuestionable. 19 El hallazgo novedoso del estudio actual de que el peso al nacer es la variable más importante para
predecir el riesgo de mortalidad neonatal proporciona la evidencia más sólida basada en una gran base de datos prospectiva de alta
calidad basada en la población de entornos con recursos limitados. Hasta donde sabemos, el estudio actual es el estudio más grande que
utiliza un enfoque cuantitativo para la predicción del riesgo de muerte fetal intrauterina y mortalidad neonatal de datos de países de
ingresos bajos y medianos. Este estudio identifica la contribución del peso al nacer como una variable continua para llegar a su capacidad
predictiva independiente del riesgo de mortalidad neonatal. En los estudios de asociación con un mayor riesgo de muerte fetal o neonatal
por cualquier causa, se han identificado muchas variables, pero estos análisis se limitaron a análisis descriptivos. 20), por lo que hemos
incluido sólo la muerte fetal intraparto en el presente estudio. El análisis ajustado basado en una cohorte anterior de la base de datos
GN-MNHR indicó asociaciones entre la edad materna menor de 20 o mayor de 35 años, menor educación materna, 0 paridad o 3 paridad
mayor que 3, y ausencia de atención prenatal con muerte fetal por cualquier causa. 21,22 Utilizando otras bases de datos, otros factores
asociados con la muerte fetal por cualquier causa fueron la pobreza, la paridad de 5 o más, la prematuridad, el bajo peso al nacer y la
muerte fetal previa. 20 Los factores asociados con la mortalidad neonatal también incluyeron edad materna, educación, paridad,
gestaciones múltiples, orden de nacimiento, sospecha de sepsis materna, hemorragia preparto, eclampsia y trabajo de parto obstruido. 23-25
Además, en un gran análisis agrupado de datos transversales de 57 países de ingresos bajos y medios (N = 464 728), la atención
prenatal se asoció con una disminución de la mortalidad neonatal en los análisis univariados. 26
En estudios de modelos a gran escala de países de altos ingresos de prematuros 15,27 o menos de 2000 g recién nacidos 28 ingresados en
unidades de cuidados intensivos neonatales, el peso al nacer fue uno de los factores comunes más importantes asociados con la mortalidad
hospitalaria. Con el modelo derivado de un país de altos ingresos, también se encontró que el peso al nacer es un factor asociado con la
mortalidad hospitalaria cuando se aplicó a una muestra de 550 neonatos de un solo centro en Gambia. 28 En otro estudio de una base de datos de
un país desarrollado sobre prematuros extremos, se encontró que el peso al nacer y la edad gestacional estaban igualmente asociados con la
mortalidad a los 2 años. 29 La edad gestacional también fue uno de los principales factores asociados con la mortalidad en los estudios anteriores de
bases de datos de países desarrollados. 15,27 Sin embargo, en el estudio actual, se encontró que el peso al nacer es un mejor predictor de la
Figura 3. Probabilidad de mortalidad en función del peso al nacer, escenario del parto / día 1
1.0
0,8
Probabilidad de mortalidad
0,6
0.4
0,2
Peso al nacer, g
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/8
edad gestacional. Esto podría estar relacionado con errores de estimación de la edad gestacional basados en el último período menstrual y
la disponibilidad limitada de confirmación de la fecha basada en ecografía del primer trimestre. 30 El tamaño pequeño para la edad gestacional
(no específicamente el peso al nacer) se ha asociado con un mayor riesgo de mortalidad y morbilidad perinatal y neonatal en datos de países
de ingresos altos en análisis bivariado. 31 Al igual que en el estudio actual, el sexo neonatal, la reanimación y los corticosteroides prenatales
han sido factores asociados con la mortalidad neonatal en datos de países de ingresos altos. 32-34
Limitaciones
Este estudio utilizó una base de datos establecida con datos basados en la población y recopilados prospectivamente con múltiples
controles de garantía de calidad. El estudio se basó en hipótesis y solo se realizaron análisis preespecificados. Este estudio de gran tamaño
de muestra tuvo el poder estadístico adecuado para predecir el riesgo de muerte fetal intraparto y mortalidad neonatal en los entornos
representados con recursos limitados en países de ingresos bajos y medios. Debido al gran tamaño de la muestra, pudimos evaluar
Tabla 2. Principales predictores por escenario (resultado de muerte intraparto y mortalidad neonatal) a
Entrega / día 1
Post-entrega / día 2
7 Edad gestacional al momento de la matriculación 0,867 + 0,002 a Los predictores se agregan consecutivamente utilizando el modelo de conjunto
8 Edad materna 0,870 + 0,003 potenciado por gradiente; luego se calculó el AUC. El orden utilizado en esta
11 Corticosteroides prenatales 0,871 + 0,001 B Enfermedad hipertensiva / preeclampsia grave / eclampsia definida
12 Educación materna: ninguna 0,871 0 como presión arterial> 140/90 mm Hg, proteinuria y convulsiones.
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/9
conjuntos de datos de prueba y validación para verificar la coherencia en las estimaciones de precisión predictiva, y el proceso de creación
de modelos se completó 10 veces para cuantificar la incertidumbre en la precisión predicha del modelo. Aunque podría cuestionarse la
posibilidad de generalizar los resultados, es probable que los resultados sean pertinentes para muchas comunidades en regiones con
recursos limitados similares a las de los entornos del estudio. Existe la posibilidad de posibles factores de confusión como el estado de
salud, la disponibilidad de atención, las intervenciones y la política de salud que no se capturaron. No obstante, como los resultados del
estudio se basan en un gran número de participantes durante 9 años, el impacto potencial de los factores de confusión en el resultado del
estudio debería ser bajo. Además, el uso de la base de datos no incluyó datos de alta definición, incluida la estratificación de los factores
de riesgo individuales según la gravedad de la enfermedad, extensos resultados de pruebas de laboratorio, o detalles de los tratamientos
recibidos y la respuesta clínica. Dado que el puntaje de riesgo está destinado a ser útil para todos los profesionales de la salud, agregar
más complejidad al método de puntaje al incluir variables que necesitan un mayor nivel de capacitación y recursos podría haber reducido la
facilidad de aplicación y usabilidad del puntaje. Sin embargo, la incorporación de variables adicionales podría haber mejorado la precisión
predictiva, especialmente para los modelos prenatales. La variable edad gestacional sería propensa a errores de estimación dependiendo
de la contabilidad de la otra persona del último período menstrual y la disponibilidad de evaluaciones más precisas, como la ecografía del
primer trimestre. La diferenciación intraparto y anteparto de mortinatos puede estar asociada con errores de identificación,
Conclusiones
En el estudio actual, la predicción del riesgo de muerte fetal intraparto sola o en combinación con la mortalidad neonatal basada en datos prenatales o
previos al parto tuvo una precisión predictiva de los valores de AUC de solo 0,72 o menos. La mejor predicción del riesgo de muerte neonatal solo se logró
después de incluir el parto y las variables neonatales tempranas, que se pueden usar para identificar a los recién nacidos con mayor riesgo de mortalidad
que pueden necesitar atención especializada. El peso al nacer fue, con mucho, el predictor más importante de mortalidad neonatal, mientras que la
contribución de otras variables fue relativamente menor. El triaje y la derivación basados en el riesgo de mortalidad podrían probarse como una estrategia
para reducir la carga de muertes neonatales en entornos con recursos limitados. Dados estos hallazgos, Los datos prenatales y previos al parto no son
suficientes para desarrollar estrategias para identificar a las personas que tienen un alto riesgo de mortalidad perinatal y requieren atención avanzada al
momento del nacimiento y derivación. Se podría priorizar el peso al nacer en la identificación de los recién nacidos en riesgo de muerte. La estimación del
peso al nacer antes del parto podría evaluarse como una estrategia para la clasificación y la derivación antes del parto.
Acceso abierto: Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia CC-BY . © 2020 Shukla VV et al. Red JAMA abierta.
Autor correspondiente: Waldemar A. Carlo, MD, División de Neonatología, Universidad de Alabama en Birmingham, 1700 6th Ave S, Ste
Afiliaciones de autor: Universidad de Alabama en Birmingham (Shukla, Ambalavanan, Carlo); RTI International, Research Triangle Park, Carolina del
Norte (Eggleston, McClure); UTH-Children's Hospital, Lusaka, Zambia (Mwenechanya); Hospital Universitario Docente, Lusaka, Zambia (Chomba); Facultad
de Medicina de la Universidad de Carolina del Norte, Chapel Hill (Bose, Bauserman); Escuela de Salud Pública de Kinshasa, Kinshasa, República
Democrática del Congo (Tshefu); Academia de Educación Superior e Investigación KLE, JN Medical College, Belgaum, India (Goudar); Universidad Thomas
Jefferson, Filadelfia, Pensilvania (Derman); INCAP, Ciudad de Guatemala, Guatemala (Garcés); Universidad de Colorado, Denver (Krebs); Universidad Aga
Khan, Karachi, Pakistán (Saleem); Universidad de Columbia, Nueva York, Nueva York (Goldenberg); Fundación de Investigación Médica Lata, Instituto de
Ciencias Médicas Datta Meghe, Nagpur, India (Patel); Escuela de Salud Pública de la Universidad de Boston, Boston, Massachusetts (Hibberd); Universidad
Moi
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/10
Facultad de Medicina, Eldoret, Kenia (Esamai); Facultad de Medicina de la Universidad de Indiana, Indianápolis (Bucher, Liechty); Eunice Kennedy
Shriver Instituto Nacional de Salud Infantil y Desarrollo Humano, Bethesda, Maryland (Koso-Thomas).
Contribuciones de autor: El Sr. Eggleston y el Dr. McClure tuvieron acceso completo a todos los datos del estudio y asumen la responsabilidad de la
Concepto y diseño: Shukla, Ambalavanan, McClure, Mwenechanya, Chomba, Bose, Bauserman, Goudar, Derman, Garces, Saleem, Goldenberg,
Patel, Esamai, Carlo.
Adquisición, análisis o interpretación de datos: Shukla, Eggleston, Ambalavanan, McClure, Tshefu, Goudar, Derman, Garcés, Krebs, Goldenberg,
Patel, Hibberd, Bucher, Liechty, Koso-Thomas.
Revisión crítica del manuscrito para contenido intelectual importante: Shukla, Eggleston, Ambalavanan, McClure, Chomba, Bose, Bauserman,
Tshefu, Goudar, Derman, Garces, Krebs, Saleem, Goldenberg, Patel, Hibberd, Esamai, Bucher, Liechty, Koso-Thomas, Carlo.
Soporte administrativo, técnico o material: McClure, Mwenechanya, Bauserman, Tshefu, Goudar, Derman, Krebs, Saleem, Goldenberg,
Patel, Esamai, Bucher, Liechty, Koso-Thomas, Carlo.
Supervisión: McClure, Chomba, Tshefu, Goudar, Garces, Krebs, Saleem, Goldenberg, Patel, Hibberd, Esamai, Liechty.
Divulgaciones sobre conflictos de intereses: El Dr. Eggleston informó sobre las subvenciones del NICHD durante la realización del estudio. El Dr. Hibberd informó sobre
las subvenciones del NHI durante la realización del estudio. El Dr. Carlo informó los honorarios personales de Mednax y su participación en la junta directiva de la empresa
Financiamiento / Apoyo: La Red Global se financia a través de subvenciones del Instituto Nacional de Salud Infantil y Desarrollo
Humano Eunice Kennedy Shriver (U01 HD040477; U10HD076465; U10HD078437; U10 HD076474; U10HD076457; U10HD078438;
Papel del financiador / patrocinador: Un médico (Dr. Koso-Thomas) del financiador (NICHD) y miembro del equipo de investigación contribuyó al
diseño y realización del estudio, revisión y aprobación del manuscrito. De lo contrario, el financiador no tuvo ningún papel en el diseño y la realización
del estudio; recopilación, manejo, análisis e interpretación de los datos; preparación, revisión o aprobación del manuscrito; y decisión de enviar el
Descargo de responsabilidad: Las opiniones de los autores no representan necesariamente las del NICHD. El artículo fue aprobado para su publicación por el NICHD a
Información adicional: Los datos del estudio están disponibles en el repositorio de datos del NICHD (NDASH): https: // guión. nichd.nih.gov/ .
REFERENCIAS
1. Niveles y tendencias de la mortalidad infantil. Grupo Interinstitucional de las Naciones Unidas para la Estimación de la Mortalidad Infantil. Publicado en 2018. Consultado el 1 de
2. Liu L, Oza S, Hogan D y col. Causas mundiales, regionales y nacionales de la mortalidad infantil en 2000-13, con proyecciones para informar las prioridades
posteriores a 2015: un análisis sistemático actualizado. Lanceta. 2015; 385 (9966): 430-440. doi: 10.1016 / S0140-6736 (14) 61698-6
3. Bhutta ZA, Negro RE. La salud mundial de la madre, el recién nacido y el niño: tan cerca y tan lejos. N Engl J Med. 2013; 369 (23): 2226-2235. doi: 10.1056
/ NEJMra1111853
4. Césped JE, Cousens S, Zupan J; Equipo directivo de supervivencia neonatal de Lancet. 4 millones de muertes neonatales: ¿cuándo? ¿dónde? ¿Por qué? Lanceta. 2005;
5. Wall SN, Lee AC, Niermeyer S, et al. Reanimación neonatal en entornos de bajos recursos: ¿qué, quién y cómo superar los desafíos para
escalar? Int J Gynaecol Obstet. 2009; 107 (supl. 1): S47-S62, S63-S64. doi: 10.1016 / j.ijgo.
2009.07.013
6. Peterson ED. Aprendizaje automático, análisis predictivo y práctica clínica: ¿puede el pasado informar al presente?
7. Maddox TM, Rumsfeld JS, Payne PRO. Preguntas para la inteligencia artificial en el cuidado de la salud. JAMA. 2019; 321 (1): 31-32. doi: 10.1001 /
jama.2018.18932
8. BeamAL, Kohane ES. Big data y aprendizaje automático en el cuidado de la salud. JAMA. 2018; 319 (13): 1317-1318. doi: 10.1001 / jama.2017.18391
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/11
9. Shah ND, Steyerberg EW, Kent DM. Big data y analítica predictiva: recalibrando expectativas. JAMA. 2018; 320 (1): 27-28. doi: 10.1001 /
jama.2018.5602
10. Darcy AM, Louie AK, Roberts LW. Aprendizaje automático y profesión médica. JAMA. 2016; 315 (6): 551-552. doi: 10.1001 /
jama.2015.18421
11. Hinton G. Aprendizaje profundo: una tecnología con el potencial de transformar la atención de la salud. JAMA. 2018; 320 (11): 1101-1102. doi: 10.1001 /
jama.2018.11100
12. Goudar SS, CarloWA, McClure EM y col. El estudio del registro de salud materna y neonatal de la Red mundial para la investigación de la salud
de la mujer y el niño. Int J Gynaecol Obstet. 2012; 118 (3): 190-193. doi: 10.1016 / j. ijgo.2012.04.022
13. Bose CL, BausermanM, Goldenberg RL, et al. Registro de salud materna y neonatal de la red global: un registro multinacional y comunitario de los
resultados del embarazo. Reprod Health. 2015; 12 (suplemento 2): S1. doi: 10.1186 / 17424755-12-S2-S1
14. Collins GS, Reitsma JB, Altman DG, Moons KG; TRÍPODE Grupo. Informe transparente de un modelo de predicción multivariable para diagnóstico o
pronóstico individual (TRÍPODE): la declaración TRÍPODE. Circulación. 2015; 131 (2): 211-219. doi: 10.1161 / CIRCULACIÓN AHA.114.014508
15. Ambalavanan N, CarloWA, Bobashev G, et al; Red de Investigación Neonatal del Instituto Nacional de Salud Infantil y Desarrollo Humano.
Predicción de muerte para recién nacidos de peso extremadamente bajo. Pediatría. 2005; 116 (6): 1367-1373. doi: 10.1542 / peds.2004-2099
dieciséis. Houweling TAJ, van Klaveren D, Das S, et al. Un modelo de predicción de la mortalidad neonatal en países de ingresos bajos y medios: un
análisis de los datos de los sitios de vigilancia de la población en India, Nepal y Bangladesh. Int J Epidemiol. 2019; 48 (1): 186-198. doi: 10.1093 / ije / dyy194
17. Katz J, Lee AC, Kozuki N, et al; Grupo de trabajo CHERG para partos prematuros pequeños para la edad gestacional. Riesgo de mortalidad en lactantes
prematuros y pequeños para la edad gestacional en países de ingresos bajos y medianos: un análisis combinado de países. Lanceta. 2013; 382 (9890): 417-425. doi: 10.1016
18. Ioannidis JP, Lau J. Recopilación de resultados de investigación: beneficios y limitaciones del metanálisis. Jt Comm J Qual Improv.
19. Black RE, Cousens S, Johnson HL, et al; Grupo de Referencia de Epidemiología de la Salud Infantil de la OMS y UNICEF. Causas mundiales, regionales y
nacionales de la mortalidad infantil en 2008: un análisis sistemático. Lanceta. 2010; 375 (9730): 1969-1987. doi: 10.1016 / S0140-6736 (10) 60549-1
20. Lawn JE, Blencowe H, Pattinson R, et al; Comité directivo de la serie de mortinatos de Lancet. Mortinatos: ¿dónde? ¿Cuándo? ¿Por qué? ¿Cómo hacer el
recuento de datos? Lanceta. 2011; 377 (9775): 1448-1463. doi: 10.1016 / S0140-6736 (10) 62187-3
21. SaleemS, Tikmani SS, McClure EM, et al. Tendencias y determinantes de la muerte fetal intrauterina en los países en desarrollo: resultados del Registro de
nacimientos basado en la población de la Red mundial. Reprod Health. 2018; 15 (supl.1): 100. doi: 10.1186 / s12978-018-0526-3
22. McClure EM, Pasha O, Goudar SS, et al; Investigadores de la red global. Epidemiología de la muerte fetal intrauterina en países de ingresos medianos bajos: un
estudio de la red global. Acta Obstet Gynecol Scand. 2011; 90 (12): 1379-1385. doi: 10.1111 / j.1600-
0412.2011.01275.x
23. Chomba E, CarloWA, Goudar SS, et al; Grupo de estudio de la primera respiración. Efectos de la capacitación en cuidados esenciales del recién nacido en los recién nacidos
muertos y las muertes neonatales tempranas mediante la educación materna. Neonatología. 2017; 111 (1): 61-67. doi: 10.1159 / 000447421
24. Kozuki N, Lee AC, Silveira MF, et al; Grupo de referencia de epidemiología de la salud infantil Grupo de trabajo para partos prematuros pequeños para la edad gestacional.
Las asociaciones de la paridad y la edad materna con la mortalidad de niños pequeños para la edad gestacional, prematuros y neonatales e infantiles: un metaanálisis. Salud
25. Bellizzi S, Sobel H, Betran AP, Temmerman M. Mortalidad neonatal temprana en el embarazo gemelar: Hallazgos de 60 países de ingresos bajos y
26. Doku DT, Neupane S. Análisis de supervivencia de la asociación entre la asistencia a la atención prenatal y la mortalidad neonatal en 57 países de
ingresos bajos y medios. Int J Epidemiol. 2017; 46 (5): 1668-1677. doi: 10.1093 / ije / dyx125
27. Tyson JE, Parikh NA, Langer J, Green C, Higgins RD; Red de Investigación Neonatal del Instituto Nacional de Salud Infantil y Desarrollo Humano.
Cuidados intensivos para la prematuridad extrema: más allá de la edad gestacional. N Engl J Med. 2008; 358 (16): 1672-1681. doi: 10.1056 /
NEJMoa073059
28. MedvedevMM, Brotherton H, Gai A y col. Desarrollo y validación de una puntuación simplificada para predecir el riesgo de mortalidad neonatal entre los
recién nacidos que pesan 2000 go menos (NMR-2000): un análisis que utiliza datos del Reino Unido y Gambia. Lancet Child Adolesc Health. 2020; 4 (4):
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/12
29. Salas AA, CarloWA, Ambalavanan N, et al; Eunice Kennedy Shriver Instituto Nacional de Salud Infantil y Desarrollo Humano Red de Investigación
Neonatal. Edad gestacional y peso al nacer para la evaluación del riesgo de deterioro del desarrollo neurológico o muerte en bebés extremadamente
prematuros. Arch Dis Child Fetal Neonatal Ed. 2016; 101 (6): F494-F501. doi: 10.1136 / archdischild-2015-309670
30. Goldenberg RL, Nathan RO, Swanson D y col. Ecografía prenatal de rutina en países de ingresos bajos y medios: primer vistazo: un ensayo
aleatorizado por conglomerados. BJOG. 2018; 125 (12): 1591-1599. doi: 10.1111 / 1471-0528.15287
31. Mendez-Figueroa H, Truong VT, Pedroza C, Khan AM, Chauhan SP. Lactantes pequeños para la edad gestacional entre embarazos a término sin
complicaciones: un análisis secundario de 9 estudios de la Red de Unidades de Medicina Materno-Fetal. Soy J Obstet Gynecol. 2016; 215 (5): 628.e1-628.e7. doi: 10.1016
/ j.ajog.2016.06.043
32. Vu HD, Dickinson C, Kandasamy Y. Diferencia de sexo inmortalidad para recién nacidos prematuros y de bajo peso al nacer: una revisión sistemática. Soy
33. Bajaj M, Natarajan G, Shankaran S, et al; Eunice Kennedy Shriver Instituto Nacional de Salud Infantil y Desarrollo Humano Red de Investigación
Neonatal. Reanimación en la sala de partos y resultados a corto plazo en recién nacidos moderadamente prematuros. J Pediatr. 2018; 195: 33-38.e2. doi: 10.1016
/ j.jpeds.2017.11.039
34. Roberts D, Brown J, Medley N, Dalziel SR. Corticosteroides prenatales para acelerar la maduración pulmonar fetal en mujeres con riesgo de parto
SUPLEMENTO.
eMethods.
eTabla 1. Tamaños de muestra de subconjunto
eTabla 3. Puntaje de riesgo Coeficientes y cálculo del modelo (Resultado de mortalidad neonatal)
eTabla 4. Funciones de probabilidad de mortalidad para la puntuación de riesgo total (resultado de mortalidad neonatal)
eFigura 1. Media (IC del 95%) para el AUC de validación por escenario para los resultados de la muerte fetal fresca
eFigura 2. Probabilidad de mortalidad en función del peso al nacer, escenario posterior al parto / día 2
eReferences.
Red JAMA abierta. 2020; 3 (11): e2026750. doi: 10.1001 / jamanetworkopen.2020.26750 (Reimpreso) 18 de noviembre de 2020 13/13