Maternal Risk Factors for Preterm Birth in Murmansk County, Russia: A Registry‐Based Study
Notice bibliographique
Résumé
BACKGROUND: Globally, about 11% of all liveborn infants are preterm. To date, data on prevalence and risk factors of preterm birth (PTB) in Russia are limited. The aims of this study were to estimate the prevalence of PTB in Murmansk County, Northwestern Russia and to investigate associations between PTB and selected maternal factors using the Murmansk County Birth Registry. METHODS: We conducted a registry-based study of 52 806 births (2006-2011). In total, 51 156 births were included in the prevalence analysis, of which 3546 were PTBs. Odds ratios with 95% confidence intervals of moderate-to-late PTB, very PTB and extremely PTB for a range of maternal characteristics were estimated using multinomial logistic regression, adjusting for potential confounders. RESULTS: The overall prevalence of PTB in Murmansk County was 6.9%. Unmarried status, prior PTBs, spontaneous and induced abortions were strongly associated with PTB at any gestational age. Maternal low educational level increased the risk of extremely and moderate-to-late PTB. Young (<18 years) or older (≥35 years) mothers, graduates of vocational schools, underweight, overweight/obese mothers, and smokers were at higher risk of moderate-to-late PTB. Secondary education, alcohol abuse, diabetes mellitus, or gestational diabetes were strongly associated with moderate-to-late and very PTB. CONCLUSIONS: The observed prevalence of PTB (6.9%) in Murmansk County, Russia was comparable with data on live PTB from European countries. Adverse prior pregnancy outcomes, maternal low educational level, unmarried status, alcohol abuse, and diabetes mellitus or gestational diabetes were the most common risk factors for PTB.
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) | 0,001 | 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 ».