Insulin Resistance Among Pregnant Women in Urban Areas of Arusha Region, Tanzania
Notice bibliographique
Résumé
Aim: To establish the prevalence of insulin resistance (IR) and its determinants among selected pregnant women in urban Arusha for taking preventive measures. Methods: A cross-sectional study was conducted between March and December 2018 at Ngarenaro and Kaloleni health facilities in Arusha District involving 230 randomly selected pregnant women who were not known to have diabetes before pregnancy. Blood glucose at fasting and 2 hr after consuming 75 grams of glucose dissolved in 300 mL of water was measured using Gluco-Plus™, serum insulin concentrations using ELISA machine (Synergy/HTX™; BioTek), and IR was calculated using the Homeostasis Model of Assessment formula. Body fat was measured using a bioelectric impedance analyzer, mid-upper arm circumference using a regular tape, weight using SECA™, blood pressure using GT-868UF Geratherm™ machine, and height by stadiometer. Maternal characteristics were collected through face to face interviews using a structured questionnaire. Data were analyzed using the Statistical Package for Social Science™ Version 20. Results: The prevalence of IR was 21% ( n = 49) and significantly associated with increased body fat percentage (adjusted odds ratio [AOR]: 1.68, 95% confidence interval [CI]: 1.01–2.5), family history of Type 2 diabetes mellitus (T2DM; AOR: 2.77, 95% CI: 1.21–6.33), hypertension (AOR: 2.5, 95% CI: 1.12–5.6), edema (AOR: 3.01, 95% CI: 1.31–6.96), and proteinuria (AOR: 3.44, 95% CI: 1.11–10.69). Conclusions: IR was higher among pregnant women with increased body fat percentage, family history of T2DM, hypertension, edema, and proteinuria. These findings call for large-scale screening to further explore risk factors to prevent gestational diabetes mellitus.
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 ».