Passive smoking increased risk of gestational diabetes mellitus independently and synergistically with prepregnancy obesity in Tianjin, China
Notice bibliographique
Résumé
BACKGROUND: Passive smoking increased type 2 diabetes mellitus risk, but it is uncertain whether it also increased gestational diabetes mellitus (GDM) risk. We aimed to examine the association of passive smoking during pregnancy and its interaction with maternal obesity for GDM. METHODS: From 2010 to 2012, 12 786 Chinese women underwent a 50-g 1-hour glucose challenge test at 24 to 28 weeks of gestation and further underwent a 75-g 2-hour oral glucose tolerance test if the glucose challenge test result was ≥7.8 mmol/L. GDM was defined by the International Association of Diabetes and Pregnancy Study Group's cut points. Self-reported passive smoking during pregnancy was collected by a questionnaire. Logistic regression was used to obtain odds ratios (ORs) and 95% confidence intervals (CIs). Additive interaction between maternal obesity and passive smoking was estimated using relative excess risk due to interaction (RERI), attributable proportion due to interaction (AP), and synergy index (S). Significant RERI > 0, AP > 0, or S > 1 indicated additive interaction. RESULTS: A total of 8331 women (65.2%) were exposed to passive smoking during pregnancy. More women exposed to passive smoking developed GDM than nonexposed women (7.8% versus 6.3%, P = 0.002) with an adjusted OR of 1.29 (95%CI, 1.11 to 1.50). Compared with nonobesity and nonpassive smoking, prepregnancy obesity and passive smoking was associated with GDM risk with an adjusted OR of 3.09 (95%CI, 2.38-4.02) with significant additive interaction (P < .05 for RERI and AP). CONCLUSIONS: Passive smoking during pregnancy increased GDM risk in Chinese women independently and synergistically with prepregnancy obesity.
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 | 0,003 | 0,003 |
| 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 | 0,001 |
| 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 ».