Applicability of the WHO Maternal Near Miss Criteria in a Low-Resource Setting
Notice bibliographique
Résumé
BACKGROUND: Maternal near misses are increasingly used to study quality of obstetric care. Inclusion criteria for the identification of near misses are diverse and studies not comparable. WHO developed universal near miss inclusion criteria in 2009 and these criteria have been validated in Brazil and Canada. OBJECTIVES: To validate and refine the WHO near miss criteria in a low-resource setting. METHODS: A prospective cross-sectional study was performed in a rural referral hospital in Tanzania. From November 2009 until November 2011, all cases of maternal death (MD) and maternal near miss (MNM) were included. For identification of MNM, a local modification of the WHO near miss criteria was used, because most laboratory-based and some management-based criteria could not be applied in this setting. Disease-based criteria were added as they reflect severe maternal morbidity. In the absence of a gold standard for identification of MNM, the clinical WHO criteria were validated for identification of MD. RESULTS: 32 MD and 216 MNM were identified using the locally adapted near miss criteria; case fatality rate (CFR) was 12.9%. WHO near miss criteria identified only 60 MNM (CFR 35.6%). All clinical criteria, 25% of the laboratory-based criteria and 50% of the management-based criteria could be applied. The threshold of five units of blood for identification of MNM led to underreporting of MNM. Clinical criteria showed specificity of 99.5% (95%CI: 99.4%-99.7%) and sensitivity of 100% (95%CI: 91.1%-100%). Some inclusion criteria did not contribute to the identification of cases and therefore may be eligible for removal. CONCLUSION: The applicability of the WHO near miss criteria depends on the local context, e.g. level of health care. The clinical criteria showed good validity. Lowering the threshold for blood transfusion from five to two units in settings without blood bank and addition of disease-based criteria in low-resource settings is recommended.
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 | 0,017 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».