Maternal Mortality Among American Indian/Alaska Native Women: A Scoping Review
Notice bibliographique
Résumé
Background: Maternal mortality decreased globally by about 38% between 2000 and 2017, yet, it continues to climb in the United States. Gaping disparities exist in U.S. maternal mortality between white (referent group) and minority women. Despite important and appropriate attention to disparities for black women, almost no attention has been given to American Indian/Alaska Native (AI/AN) women. The purpose of this scoping review is to synthesize available literature concerning AI/AN maternal mortality. Methods: Databases were searched using the terms maternal mortality and pregnancy-related death, each paired with American Indian, Native American, Alaska Native, Inuit, and Indigenous. Criteria ( e.g ., hemorrhage) were paired with initial search terms. Next, pregnancy-associated death was paired with American Indian, Native American, Alaska Native, Inuit, and Indigenous. Criteria in this category were homicide, suicide, and substance use. Results: The three leading causes of AI/AN pregnancy-related maternal mortality are hemorrhage, cardiomyopathies, and hypertensive disorders of pregnancy. AI/AN maternal mortality data for homicide and suicide consistently include small samples and often categorize AI/AN maternal deaths in an “Other” race/ethnicity, which precludes targeted AI/AN data analysis. No studies that reported AI/AN maternal mortality as a result of substance use were found. Health care characteristics such as quality, access, and location also may influence maternal outcomes and maternal mortality. Conclusions: Despite AI/AN maternal mortality being disproportionately high compared to other racial/ethnic groups, relatively little is known about root causes.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| 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 | 0,002 |
| 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 ».