Prognostic factors of maternal near miss events and maternal deaths in a tertiary healthcare facility in India
Notice bibliographique
Résumé
OBJECTIVE: To study maternal near miss (MNM) and maternal mortality to identify rectifiable risk factors. METHODS: The present cross-sectional retrospective study included pregnant women who experienced acute life-threatening pregnancy-related adverse events at Deen Dayal Upadhyay hospital, New Delhi, India, between September 1, 2009, and August 31, 2011. Patient data were analyzed to investigate factors associated with MNM events and maternal deaths. RESULTS: There were 369 patients included, and 302 MNM events and 67 maternal deaths were recorded. The recorded causes of MNM events included hemorrhage, hypertensive disorders, severe anemia with cardiac failure, organ failure, and infection in 192 (63.6%), 62 (20.5%), 13 (4.3%), 8 (2.6%), and 8 (2.6%) patients, respectively. Higher rates of anemia (P=0.007) and infection (P=0.007) were recorded among patients in the maternal death group than the MNMN group. CONCLUSION: Hemorrhage and hypertension were major causes of MNM events and are likely major barriers to reducing maternal mortality in low-income countries. Anemia and infection were significant prognostic factors of maternal death in the present study. MNM could be used as surrogate for maternal death in the provision of standard obstetric care.
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 | 0,000 | 0,002 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».