Identifying females before childbirth to improve iron status.
Notice bibliographique
Résumé
Background: It has recently been advocated that iron supplementation begin before childbearing. A key operational issue is how to identify females before pregnancy. Objective: To examine factors associated with time to first pregnancy and adolescent pregnancy. Methods: A cross‐sectional survey in Gazipur, Bangladesh from April to May 2006 among ever married females aged less than 50 years. Results: Data on 603 females were analyzed. Median age was 31 years (15–49). Median age at marriage was 17 years (11–31). Only 15% (7/47) of never pregnant females reported iron use in the past 6 months. 58% (322/556) of females were <19 years old at first pregnancy. Median time from marriage to first pregnancy was 12 months (0–408). Multivariate hazard analysis found risk of pregnancy increased by 13% for every one‐year increase in age at marriage (p<0.0001) and decreased by 3% for every one‐year increase in female¡ ¯ s current age (p<0.0001). Risk among medical contraceptive users was 58% of the risk of non‐users (p=0.0001).Using multivariate logistic regression analysis, probability of an adolescent pregnancy decreased by 3% for each year of marriage during adolescence (CI: 0.95–0.99, p=0.01), by 10% for each year increase in husband¡ ¯ s age at marriage (0.87–0.94, p<0.0001), by 68% among female wage earners compared to non‐wage earners (0.16–0.64, p=0.001) and by 50% among medical contraceptive users compared to non‐users (0.30–0.85, p=0.01). Conclusions: In this population females are married at a young age with short time to 1st pregnancy intervals. Periconceptional iron supplementation programs should target adolescents and newly‐weds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».