How often are late preterm births the result of non‐evidence based practices: analysis from a retrospective cohort study at two tertiary referral centres in a nationalised healthcare system
Notice bibliographique
Résumé
OBJECTIVE: To determine the proportion, characteristics, and predictors of late preterm birth (LPTB) in relation to evidence-based (EB) and non-evidence based (NEB) indications. DESIGN: Retrospective cohort study. SETTING: Two Canadian tertiary referral centres. POPULATION: All live singleton LPTBs over 1 year from 2010 to 2011, excluding major congenital anomalies. METHODS: Indications for LPTB were classified a priori as EB (i.e. based on practice guidelines or on evidence from randomised controlled trials) or NEB. Data were abstracted from maternal antenatal and labour records. Univariate analyses were completed using Fischer's exact, Pearson's chi-square, or analysis of variance (anova) F-tests. Logistic regression included gestation at birth, delivery provider, previous stillbirth, previous caesarean section, corticosteroid administration, and previous preterm birth as predictors for NEB LPTB. MAIN OUTCOME MEASURES: The proportion, characteristics, and predictors of women with NEB versus EB LPTBs. RESULTS: Of 524 LPTBs, 25.2% (n = 132) were NEB. Logistic regression revealed that NEB LPTBs were less likely if patients were delivered by their own doctor or their doctor's practice partner (OR 0.53, 95% CI 0.34-0.83). However, NEB LPTBs were more likely in women who had experienced a previous stillbirth (OR 2.57, 95% CI 1.20-5.49). CONCLUSIONS: Approximately one-quarter of LPTBs are NEB. Further research is needed to see if a review of the indications for LPTB, and subsequent reduction in NEB LPTBs, translates into improved neonatal outcomes and cost savings.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».