当前位置：
X-MOL 学术
›
Prenat. Diagn.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Machine learning improves early prediction of small‐for‐gestational‐age births and reveals nuchal fold thickness as unexpected predictor
Prenatal Diagnosis ( IF 2.7 ) Pub Date : 2021-01-18 , DOI: 10.1002/pd.5903 Shier Nee Saw 1, 2 , Arijit Biswas 3 , Citra Nurfarah Zaini Mattar 3 , Hwee Kuan Lee 1, 4, 5, 6, 7 , Choon Hwai Yap 8
Prenatal Diagnosis ( IF 2.7 ) Pub Date : 2021-01-18 , DOI: 10.1002/pd.5903 Shier Nee Saw 1, 2 , Arijit Biswas 3 , Citra Nurfarah Zaini Mattar 3 , Hwee Kuan Lee 1, 4, 5, 6, 7 , Choon Hwai Yap 8
Affiliation
To investigate the performance of the machine learning (ML) model in predicting small‐for‐gestational‐age (SGA) at birth, using second‐trimester data.
中文翻译：
机器学习改进了对小于胎龄儿出生的早期预测，并揭示了颈部皱襞厚度是意想不到的预测指标
使用中期妊娠数据研究机器学习 (ML) 模型在预测出生时小于胎龄 (SGA) 的性能。
更新日期：2021-03-22
中文翻译：
机器学习改进了对小于胎龄儿出生的早期预测，并揭示了颈部皱襞厚度是意想不到的预测指标
使用中期妊娠数据研究机器学习 (ML) 模型在预测出生时小于胎龄 (SGA) 的性能。
京公网安备 11010802027423号