Factors Affecting Response to Infertility Treatment: Case of Iran
Notice bibliographique
Résumé
INTRODUCTION: Infertility affects both women and men in all the countries. Infertility often has profound long-term or short-term impacts on the people involved and puts them at risk of familial and social pressures. According to WHO estimates, between 8% and 12% of all the couples worldwide experience some form of infertility during their reproductive life, i.e. 50‒80 million people are affected. The aim of this study was to evaluate the response to infertility treatment by taking into account factors such as age, hirsutism, menstruation and galactose among women in Kerman. METHODOLOGY: Of a total of 300 patient files evaluated 220 cases were flawless, of which the study factors were recorded. These data were estimated by Logit model. The dependent variable was the response to treatment (0 and 1) and the independent variables included age of men and women, hirsutism, menstruation, galactose, duration of the period no preventive measures were used and body mass index. After entering the data, model output was analyzed by using the STATA software. RESULTS: The results showed that of all the model variables, female age (prob=0.0065), menstruation (prob=0.04), hirsutism (prob=0.02), marriage age (in months) (prob=0.02) and BMI were significant and other variables were not significant. McFadden analysis for goodness of fit was 0.92. CONCLUSION: The study results showed that women should pay more attention to variables such as BMI, menstruation quality (regular and irregular) and aging because clinical disregard of any of the above can have a significant impact on the individual's fertility.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».