Effects of Ginger for Nausea and Vomiting in Early Pregnancy: A Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Nausea and vomiting in early pregnancy (NVEP) is commonly encountered in family medicine. Ginger (Zingiber officinale) is a popular nonpharmacological treatment but consensus of its use is lacking. METHODS: We conducted a meta-analysis of clinical trials using ginger for NVEP as published in PubMed and EMBASE, CINAHL, Cochrane Library, and all EBM reviews. Studies satisfying 3 criteria were selected: (1) randomized placebo-controlled design; (2) use of ginger or Z. officinale; and (3) extractable data on improvement in NVEP. Data were synthesized into pooled odd ratios based on the random effects model, and results were tabulated with the aid of Forest plots. RESULTS: We identified 135 potentially relevant records; only 6 studies met the final criteria. Of the total 508 subjects, 256 and 252 subjects were randomly assigned to receive ginger and placebo, respectively. The use of ginger (∼1 g daily) for at least 4 days is associated with a 5-fold likelihood of improvement in NVEP. Heterogeneity among the clinical studies were acknowledged in the final interpretation of results. CONCLUSIONS: Despite the widespread use of ginger in the diet, its clinic value and safety profile in treating NVEP is still unknown. Our meta-analysis suggests that ginger is an effective nonpharmacological treatment for NVEP.
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 | 0,011 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,041 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».