A parsimonious explanation for intersecting perinatal mortality curves: understanding the effects of race and of maternal smoking
Notice bibliographique
Résumé
BACKGROUND: Neonatal mortality rates among black infants are lower than neonatal mortality rates among white infants at birth weights <3000 g, whereas white infants have a survival advantage at higher birth weights. This finding is also observed when birth weight-specific neonatal mortality rates are compared between infants of smokers and non-smokers. We provide a parsimonious explanation for this paradoxical phenomenon. METHODS: We used data on births in the United States in 1997 after excluding those with a birth weight <500 g or a gestational age <22 weeks. Birth weight- and gestational age-specific perinatal mortality rates were calculated per convention (using total live births at each birth weight/gestational age as the denominator) and also using the fetuses at risk of death at each gestational age. RESULTS: Perinatal mortality rates (calculated per convention) were lower among blacks than whites at lower birth weights and at preterm gestational ages, while blacks had higher mortality rates at higher birth weights and later gestational ages. With the fetuses-at-risk approach, mortality curves did not intersect; blacks had higher mortality rates at all gestational ages. Increases in birth rates and (especially) growth-restriction rates presaged gestational age-dependent increases in perinatal mortality. Similar findings were obtained in comparisons of smokers versus nonsmokers. CONCLUSIONS: Formulating perinatal risk based on the fetuses-at-risk approach solves the intersecting perinatal mortality curves paradox; blacks have higher perinatal mortality rates than whites and smokers have higher perinatal mortality rates than nonsmokers at all gestational ages and birth weights.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».