Prevalence of maternal near miss and community-based risk factors in Central Uganda
Notice bibliographique
Résumé
OBJECTIVE: To examine the prevalence of maternal near-miss (MNM) and its associated risk factors in a community setting in Central Uganda. METHODS: A cross-sectional research design employing multi-stage sampling collected data from women aged 15-49 years in Rakai, Uganda, who had been pregnant in the 3years preceding the survey, conducted between August 10 and December 31, 2013. Additionally, in-depth interviews were conducted. WHO-based disease and management criteria were used to identify MNM. Binary logistic regression was used to predict MNM risk factors. Content analysis was performed for qualitative data. RESULTS: Survey data were collected from 1557 women and 40 in-depth interviews were conducted. The MNM prevalence was 287.7 per 1000 pregnancies; the majority of MNMs resulted from hemorrhage. Unwanted pregnancies, a history of MNM, primipara, pregnancy danger signs, Banyakore ethnicity, and a partner who had completed primary education only were associated with increased odds of MNM (all P<0.05). CONCLUSIONS: MNM morbidity is a significant burden in Central Uganda. The present study demonstrated higher MNM rates compared with studies employing organ-failure MNM-diagnostic criteria. These findings illustrate the need to look beyond mortality statistics when assessing maternal health outcomes. Concerted efforts to increase supervised deliveries, access to emergency obstetric care, and access to contraceptives are warranted.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».