Risk factors for postpartum sepsis: a nested case-control study
Notice bibliographique
Résumé
BACKGROUND: The Majority (99%) of maternal deaths occur in low and middle-income countries. The three most important causes of maternal deaths in these regions are postpartum hemorrhage, pre-eclampsia and puerperal sepsis. There are several diagnostic criteria used to identify sepsis and one of the commonly used criteria is systematic inflammatory response syndrome (SIRS). However, these criteria require laboratory investigations that may not be feasible in resource-constrained settings. Therefore, this study aimed to develop a model based on risk factors and clinical signs and symptoms that can identify sepsis early among postpartum women. METHODS: A case-control study was nested in an ongoing cohort of 4000 postpartum women who delivered or were admitted to the study hospital. According to standard criteria of SIRS, 100 women with sepsis (cases) and 498 women without sepsis (controls) were recruited from January to July 2017. Information related to the socio-demographic status, antenatal care and use of tobacco were obtained via interview while pregnancy and delivery related information, comorbid and clinical sign and symptoms were retrieved from the ongoing cohort. Multivariable logistic regression was performed and discriminative performance of the model was assessed using area under the curve (AUC) of the receiver operating characteristic (ROC). RESULTS: Multivariable analysis revealed that 1-4 antenatal visits (95% CI 0.01-0.62). , 3 or more vaginal examinations (95% CI 1.21-3.65), home delivery (95% CI 1.72-50.02), preterm delivery, diabetes in pregnancy (95% CI 1.93-20.23), lower abdominal pain (95% CI 1.15-3.42)) vaginal discharge (95% CI 2.97-20.21), SpO2 < 93% (95% CI 4.80-37.10) and blood glucose were significantly associated with sepsis. AUC was 0.84 (95% C.I 0.80-0.89) which indicated that risk factors and clinical sign and symptoms-based model has adequate ability to discriminate women with and without sepsis. CONCLUSION: This study developed a non-invasive tool that can identify postpartum women with sepsis as accurately as SIRS criteria with good discriminative ability. Once validated, this tool has the potential to be scaled up for community use by frontline health care workers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».