Prenatal exposure to organic pollutants increases the risk of low birth weight (LBW) offspring. Women involved in the plucking of tea leaves can be exposed to polycyclic aromatic hydrocarbons (PAHs) during pregnancy through inhalation and diet. Therefore, the aim of the study was to investigate the association of maternal socio-demographic features and blood PAH concentration with LBW; also to develop a model for predicting LBW risk. The study was performed by recruiting 55 women who delivered LBW and 120 women with NBW (normal birth weight) babies from Assam Medical College. The placental tissue, maternal and cord blood samples were collected. A total of sixteen PAHs and cotinine were analysed by HPLC and GC-MS. Association of PAH concentration with weight was determined using correlation and multiple logistic regression analyses. Predictive model was developed using SVMlight and Weka software. Maternal features such as age, education, food habits, occupation, etc. were found to be associated with LBW deliveries (p-value<0.05). Overall, 9 PAHs and cotinine were detected in the samples. A multiple logistic regression depicted an increased likelihood of LBW by exposure to PAHs (pyrene, di-benzo (a,h) anthracene, fluorene and fluoranthene) and cotinine. Models based on the features and PAHs/ cotinine predicted LBW offspring with 84.35% sensitivity and 74% specificity. LBW prediction models are available at http://dev.icmr.org.in/plbw/ webserver. With machine learning gaining more importance in medical science; our webserver could be instrumental for researchers and clinicians to predict the state of the fetus.

中文翻译：

---

通过母体特征和血液中多环芳烃浓度预测低出生体重儿的风险。

产前暴露于有机污染物会增加后代低出生体重（LBW）的风险。参与采摘茶叶的妇女在怀孕期间可以通过吸入和饮食接触多环芳烃（PAHs）。因此，本研究的目的是研究孕妇的社会人口统计学特征和血液中PAH浓度与LBW的关系。还开发了预测LBW风险的模型。这项研究是通过从阿萨姆医学院招募55名分娩低体重的妇女和120名NBW（正常体重）婴儿的妇女进行的。收集胎盘组织，母体和脐带血样品。通过HPLC和GC-MS分析总共十六种PAH和可替宁。使用相关性和多重逻辑回归分析确定PAH浓度与体重的关联。预测模型是使用SVMlight和Weka软件开发的。发现诸如年龄，文化程度，饮食习惯，职业等母亲特征与低出生体重的分娩有关（p值<0.05）。总体而言，样品中检测到9种PAH和可替宁。多元逻辑回归分析表明，暴露于多环芳烃（py，二苯并（a，h）蒽，芴和荧蒽）和可替宁会增加LBW的可能性。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。发现诸如年龄，教育程度，饮食习惯，职业等母亲特征与低出生体重的分娩有关（p值<0.05）。总体而言，样品中检测到9种PAH和可替宁。多元逻辑回归分析表明，暴露于多环芳烃（py，二苯并（a，h）蒽，芴和荧蒽）和可替宁会增加LBW的可能性。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。发现诸如年龄，文化程度，饮食习惯，职业等母亲特征与低出生体重的分娩有关（p值<0.05）。总体而言，样品中检测到9种PAH和可替宁。多元逻辑回归分析表明，暴露于多环芳烃（py，二苯并（a，h）蒽，芴和荧蒽）和可替宁会增加LBW的可能性。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。总体而言，样品中检测到9种PAH和可替宁。多元逻辑回归分析表明，暴露于多环芳烃（py，二苯并（a，h）蒽，芴和荧蒽）和可替宁会增加LBW的可能性。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。总体而言，样品中检测到9种PAH和可替宁。多元逻辑回归分析表明，暴露于多环芳烃（py，二苯并（a，h）蒽，芴和荧蒽）和可替宁会增加LBW的可能性。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。基于特征和PAHs /可替宁的模型预测LBW后代的敏感性为84.35％，特异性为74％。LBW预测模型可从http://dev.icmr.org.in/plbw/网站服务器获得。随着机器学习在医学中的重要性越来越高；我们的网络服务器可能有助于研究人员和临床医生预测胎儿的状态。