Achieving Pregnancy Using Primary Care Interventions to Identify the Fertile Window
Notice bibliographique
Résumé
OBJECTIVE: To determine the effectiveness of achieving pregnancy with focused intercourse in the fertile window identified using natural fertility indicators. METHODS: 24-cycle prospective effectiveness study. SETTING: A North American web-based fertility monitoring service. PARTICIPANTS: 256 North American women aged 20-43 (mean age 29.2 years) seeking to achieve pregnancy. INTERVENTION: Participants identified their fertile window with either electronic hormonal fertility monitoring or cervical mucus monitoring, or both, and recorded their observations on an online fertility tracking system. MAIN OUTCOME MEASURES: Pregnancies were validated by nurses with an online self-assessed pregnancy evaluation form. Survival analysis was used to determine pregnancy rates. RESULTS: There were 150 pregnancies among the 256 participants with an overall pregnancy rate of 78 per 100 women over 12 menstrual cycles. There were 54 pregnancies (68%) among the 80 women using the fertility monitor, 11 pregnancies (46%) among the 24 women using mucus monitoring, and 90 (63%) among the 143 women using both mucus and monitor. The 12-cycle pregnancy rates per 100 women were 83 (monitor group), 72 (mucus group), and 75 (mucus and monitor group). Pregnancy rates reached 100% at 24 cycles of use for those women using the hormonal fertility monitor. CONCLUSION: Use of the hormonal fertility monitor alone seems to offer the best natural estimate of the fertile phase of the menstrual cycle for women wishing to achieve a pregnancy. Focusing intercourse through 24 menstrual cycles can be beneficial for achieving pregnancy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».