Rechercher
image du produit
American Journal of Obstetrics and Gynecology

S'abonner

1104 Personalized Machine Learning Model for Predicting Time to Delivery in Active Labor - 20/01/24

Doi : 10.1016/j.ajog.2023.11.1131 
Lee Reicher 1, Emmanuel Attali 2, sharon Napadenski 3, Nadav Rappoport 3, Yariv Yogev 4
1 Lis Hospital for Women's Health, Tel Aviv Sourasky Medical Center, Tel-Aviv, Israel 
2 Lis Maternity Hospital, Department of Obstetrics and Gynecology, Sourasky Medical Center, Tel Aviv University, Tel Aviv, Israel 
3 Ben Gurion University of the Negev, Beer-Sheva, HaDarom 
4 Lis Hospital for Women's Health, Tel Aviv Sourasky Medical Center, Tel Aviv, Israel 

Le texte complet de cet article est disponible en PDF.
Le texte complet de cet article est disponible en PDF.

Plan


© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

    •

  • Contenu

    •

Vol 230 - N° 1S

P. S580 - janvier 2024 Retour au numéro
Article précédent Article précédent
  • 1103 Prenatal Mobile Self-Operated Home Ultrasound Service Impact on Heath Care Resources Utilization
  • Anat Pardo, Shiri Barbash Hazan, Riki Bergel-Bson, Ohad Houri, Sivan Zuarez Easton, Noam Pardo, Arnon Wiznitzer, Asnat Walfisch, Eran Hadar
| Article suivant Article suivant
  • 1105 Neonatal and Maternal Outcomes in Nulliparas According to Prepregnancy Body Mass Index: A Population-Level Analysis
  • Rula Atwani, George R. Saade, Tetsuya Kawakita

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Elsevier s'engage à rendre ses eBooks accessibles et à se conformer aux lois applicables. Compte tenu de notre vaste bibliothèque de titres, il existe des cas où rendre un livre électronique entièrement accessible présente des défis uniques et l'inclusion de fonctionnalités complètes pourrait transformer sa nature au point de ne plus servir son objectif principal ou d'entraîner un fardeau disproportionné pour l'éditeur. Par conséquent, l'accessibilité de cet eBook peut être limitée. Voir plus

Accès rapides

Mon compte

Aide & support

Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.

Tout le contenu de ce site: Copyright © 2026 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.