The Effect of Moringa-Based Supplementation on Fetal Birth Weight in Jeneponto Regency
Notice bibliographique
Résumé
Background: Low birth weight (LBW) is one of the main causes of morbidity and mortality besides preterm birth. Proper interventions during pregnancy can prevent an adverse pregnancy outcome. This study aims to see the effect of Moringa leaf capsule on birth weight.Methods: This study was double blind randomized controlled trial (DB-RCT) which consisted of three groups namely, Moringa powder (PG), Moringa extract (EG), and iron-folate (IG) groups. The intervention was given for 12 weeks. The samples were 453 pregnant women in six sub-districts in Jeneponto Regency. Data on birth weight and placental weight were measured by trained midwives. The weight of the placenta was measured to determine the placental ratio to birth weight. In addition, some socio-economic variables such as age, gestational age, eating frequency, smoking, and Hb levels were measured in this study. Logistic and linear regression were conducted in this study.Result: The Moringa leaf supplementation groups (PG and EG) delivered child with better weight than iron supplementation (3240.03±453.82, 3161.91±527.70, 3100.89±412.15, respectively). The placenta to birth weight ratio (PBWR) showed that IG group became lowest, merely 16.19%. The most influenced factor to LBW is the unhappiness of the women with her pregnancy (OR = 26.3, 95% CI = 1.227 - 566.474, p = 0.037).Conclusion: Moringa powder supplementation can be used as an alternative in improving new born baby weight. Pregnant women need to be happy and avoid stress to prevent LBW.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».