Unintended pregnancies and exposure to potential human teratogens
Notice bibliographique
Résumé
BACKGROUND: We aimed to investigate the risk factors associated with unintended pregnancies as well as the association between unintended pregnancies and potential teratogenic exposures. METHODS: A cross-sectional survey was performed among women attending the Maternity School of the Samsung Cheil Hospital and Women's Health Care Center in Seoul, Korea. Demographic data, obstetric history, socioeconomic status, intention to become pregnant, and exposure to potential teratogens were obtained. RESULTS: A total of 1354 women with median age of 29 years and median gestational age of 29 weeks were included. Of these, an educational level above high school was 74.2%, primigravida was 77.3% and unintended pregnancy was 48%. In the logistic regression analysis, women younger than 24 years of age had a relative risk (RR) of 2.5 (95% confidence interval [CI], 1.3-4.7) of having an unintended pregnancy and women with lower household monthly income level had a RR of 1.3 (95% CI, 1.0-1.6). Women with unintended pregnancies had an RR of 1.9 (95% CI, 1.5-2.5), 3.0 (95% CI, 2.0-4.5), 1.5 (95% CI, 1.0-2.3), 2.9 (95% CI, 1.1-7.2), and 2.0 (95% CI, 1.62.4) of being exposed to alcohol, medications, cigarette smoking, X-rays, or to any of these, respectively, during the first trimester of pregnancy. CONCLUSIONS: Unintended pregnancies are more likely to occur among young women with a lower household monthly income level. Prenatal counseling should be especially recommended for women with unintended pregnancies in order to evaluate whether they have been exposed to potential teratogenic agents.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».