Evidence for the use of complementary and alternative medicines during fertility treatment: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Complementary and alternative medicines (CAM) are sometimes used by individuals who desire to improve the outcomes of their fertility treatment and/or mental health during fertility treatment. However, there is little comprehensive information available that analyzes various CAM methods across treatment outcomes and includes information that is published in languages other than English. METHOD: This scoping review examines the evidence for 12 different CAM methods used to improve female and male fertility outcomes as well as their association with improving mental health outcomes during fertility treatment. Using predefined key words, online medical databases were searched for articles (n = 270). After exclusion criteria were applied, 148 articles were analyzed in terms of their level of evidence and the potential for methodological and author bias. RESULTS: Surveying the literature on a range of techniques, this scoping review finds a lack of high quality evidence that complementary and alternative medicine (CAM) improves fertility or mental health outcomes for men or women. Acupuncture has the highest level of evidence for its use in improving male and female fertility outcomes although this evidence is inconclusive. CONCLUSION: Overall, the quality of the evidence across CAM methods was poor not only because of the use of research designs that do not yield conclusive results, but also because results were contradictory. There is a need for more research using strong methods such as randomized controlled trials to determine the effectiveness of CAM in relation to fertility treatment, and to help physicians and patients make evidence-based decisions about CAM use during fertility treatment.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».