Gestational diabetes and pre‐pregnancy overweight: Possible factors involved in newborn macrosomia
Notice bibliographique
Résumé
AIM: Good glycemic control in gestational diabetes mellitus (GDM) seems not to be enough to prevent macrosomia (large-for-gestational-age newborns). In GDM pregnancies we studied the effects of glycemic control (as glycosylated hemoglobin [HbA1c]), pre-pregnancy body mass index (PP-BMI) and gestational weight gain per week (GWG-W) on the frequency of macrosomia. METHODS: We studied 251 GDM pregnancies, divided into two groups: PP-BMI<25.0kg/m(2) (the non-overweight group; n=125), and PP-BMI≥25.0kg/m(2) (the overweight group; n=126). A newborn weight Z-score>1.28 was considered large-for-gestational-age. Statistical analysis was carried out using the Student's t-test and χ(2) -test, receiver-operator characteristic curves and linear and binary logistic regressions. RESULTS: Prevalence of macrosomia was 14.9% among GDM (n=202/251, 88.4%) with good glycemic control (mean HbA1c<6.0%), and 28.1% in those with mean HbA1c≥6.0% (n=49/251, P<0.025). Macrosomia rates were 10.4% in the non-overweight group and 24.6% in the overweight group (P=0.00308), notwithstanding both having similar mean HbA1c (5.48±0.065 and 5.65±0.079%, P=0.269), and similar GWG-W (0.292±0.017 and 0.240±0.021kg/week, P=0.077). Binary logistic regressions showed that PP-BMI (P=0.012) and mean HbA1c (P=0.048), but not GWG-W (P=0.477), explained macrosomia. CONCLUSIONS: Good glycemic control in GDM patients was not enough to reduce macrosomia to acceptable limits (<10% of newborns). PP-BMI and mean HbA1c (but not GWG-W) were significant predictors of macrosomia. Thus, without ceasing in our efforts to improve glycemic control during GDM pregnancies, patients with overweight/obesity need to be treated prior to becoming pregnant.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».