Prognostic models for adverse pregnancy outcomes in low-income and middle-income countries: a systematic review
Notice bibliographique
Résumé
INTRODUCTION: Ninety-nine per cent of all maternal and neonatal deaths occur in low-income and middle-income countries (LMIC). Prognostic models can provide standardised risk assessment to guide clinical management and can be vital to reduce and prevent maternal and perinatal mortality and morbidity. This review provides a comprehensive summary of prognostic models for adverse maternal and perinatal outcomes developed and/or validated in LMIC. METHODS: A systematic search in four databases (PubMed/Medline, EMBASE, Global Health Library and The Cochrane Library) was conducted from inception (1970) up to 2 May 2018. Risk of bias was assessed with the PROBAST tool and narratively summarised. RESULTS: 1741 articles were screened and 21 prognostic models identified. Seventeen models focused on maternal outcomes and four on perinatal outcomes, of which hypertensive disorders of pregnancy (n=9) and perinatal death including stillbirth (n=4) was most reported. Only one model was externally validated. Thirty different predictors were used to develop the models. Risk of bias varied across studies, with the item 'quality of analysis' performing the least. CONCLUSION: Prognostic models can be easy to use, informative and low cost with great potential to improve maternal and neonatal health in LMIC settings. However, the number of prognostic models developed or validated in LMIC settings is low and mirrors the 10/90 gap in which only 10% of resources are dedicated to 90% of the global disease burden. External validation of existing models developed in both LMIC and high-income countries instead of developing new models should be encouraged. PROSPERO REGISTRATION NUMBER: CRD42017058044.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| 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 ».