Assessing the impact of TRAP laws on abortion and women’s health in the USA: a systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Targeted Regulation of Abortion Providers (TRAP) laws impose extensive and sometimes costly requirements on abortion providers and facilities, potentially leading to barriers to care. Understanding the impact of these laws is important given their prevalence in the USA, but no review to date has summarised the available evidence. We conducted a systematic review of literature on TRAP laws and their impact on abortion trends and women's health. METHODS: We searched MEDLINE, PubMed and EconLit for original, quantitative studies where the exposure was at least one TRAP policy and the outcome was abortion and/or any women's physical or mental health outcome. RESULTS: Six articles met our inclusion criteria. The most common outcome was population-level abortion trends; studies also assessed the effect of TRAP laws on gestational age at presentation and measures of self-perceived burden. While certain TRAP laws (eg, admitting privilege requirements) appeared to have an effect on abortion outcomes, the impact of other laws - or combinations of laws - was unclear, due in part to heterogeneity between studies with respect to study design, geography, and exposure definition. CONCLUSIONS: TRAP laws may have an impact on the experience of obtaining an abortion in the USA. However, our review revealed a paucity of empirical research on their population and individual-level impact, as well as some disagreement about the effect of different TRAP laws on subsequent abortion outcomes. Future research should prioritise the specific TRAP laws that may have a uniquely strong effect on state-level abortion rates and other outcomes.
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.
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 | 0,027 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 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 | 0,001 |
| 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 découle