Maternal Education and Stillbirth
Notice bibliographique
Résumé
BACKGROUND: Associations between risk factors and perinatal outcomes may be biased at preterm gestational ages, if preterm delivery behaves as an effect modifier due to other unmeasured factors in the causal pathway. We evaluated whether fetuses-at-risk denominators could be used in regression models instead of conventional denominators to obtain less biased estimates of the association between maternal education and stillbirth at preterm gestational intervals. METHODS: Data included 2,143,134 live-born and 8946 stillborn singletons from 1981 through 2006 in Québec, Canada. Odds ratios and 95% confidence intervals were estimated for the relationship between education and stillbirth according to cause of fetal death, adjusting for maternal age, marital status, home language, parity, and period. We examined associations for 4 gestational intervals (<28, 28-31, 32-36, and ≥37 completed weeks), using both conventional denominators (ie, preterm live births) and fetuses-at-risk denominators. RESULTS: Stillbirth rates were greater for mothers with fewer years of education at all gestational intervals. Using conventional denominators, low education (relative to high education) was more strongly associated with term than preterm stillbirth and was apparently protective at <28 weeks. Using fetuses-at-risk denominators, low education was more strongly associated with preterm stillbirth than term stillbirth, even at <28 weeks. Low education was most strongly associated with diabetic-related stillbirth at ≥28 weeks (odds ratio = 5.04) relative to high education. CONCLUSIONS: Low education is associated with stillbirth throughout gestation, especially diabetic-related stillbirth. Use of fetuses-at-risk denominators in regression models can avoid potentially biased estimates obtained with conventional denominators at preterm gestational ages.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».