MétaCan
Menu
Retour à la cohorte
Enregistrement W3110652762 · doi:10.1016/s2214-109x(20)30460-5

Trends and determinants of newborn mortality in Kyrgyzstan: a Countdown country case study

2020· article· en· W3110652762 sur OpenAlexaff
Mahdis Kamali, James E. Wright, Nadia Akseer, Hana Tasic, Kaitlin Conway, Saman Brar, Cholpon Imanalieva, Gerrit Maritz, Arjumand Rizvi, Baktyiar Stanbekov, Sagynbu Abduvalieva, Elvira Toialieva, Zulfiqar A Bhutta

Notice bibliographique

RevueThe Lancet Global Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensCentre for Global Health ResearchSickKids FoundationHospital for Sick Children
Organismes subventionnairesUNICEFBill and Melinda Gates Foundation
Mots-clésCountdownMedicinePsychological interventionInfant mortalityDemographyChild mortalityAsphyxiaMortality rateEnvironmental healthPopulationPediatrics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Kyrgyzstan has made considerable progress in reducing child mortality compared with other countries in the region, despite a comparatively low economic standing. However, maternal mortality is still high. Given the availability of an established birth registration system, we aimed to comprehensively assess the trends and determinants of reproductive, maternal, newborn, and child health in Kyrgyzstan. METHODS: For this Countdown to 2030 country case study, we used publicly available data repositories and the national birth registry of Kyrgyzstan to examine trends and inequalities of reproductive, maternal, and newborn health and mortality between 1990 and 2018, at a national and subnational level. Coverage of newborn and maternal health interventions was assessed and disaggregated by equity dimensions. We did Oaxaca-Blinder decomposition to determine the contextual factors associated with the observed decline in newborn mortality rates. We also undertook a comprehensive review of national policies and programmes, as well as a prospective Lives Saved Tool analysis, to highlight interventions that have the potential to avert the most maternal, neonatal, and child deaths. FINDINGS: Over the past two decades, Kyrgyzstan reduced newborn mortality rates by 46% and mortality rates of children younger than 5 years by 69%, whereas maternal mortality rates were reduced by 7% and stillbirth rates by 29%. The leading causes of neonatal deaths were prematurity and asphyxia or hypoxia, and preterm small-for-gestational-age infants were more than 80 times more likely to die in their first month of life compared with those born appropriate-for-gestational age at term. Except for contraceptive use, coverage of essential interventions has increased and is generally high, with limited sociodemographic inequities. With scale-up of a few essential neonatal and maternal interventions, 39% of neonatal deaths, 11% of stillbirths, and 19% of maternal deaths could be prevented by 2030. INTERPRETATION: Kyrgyzstan has reduced newborn mortality rates considerably, with the potential for further reduction. To achieve and exceed the Sustainable Development Goal 3 targets for newborn survival and reducing stillbirths, Kyrgyzstan needs to scale up packages of interventions for the care of small and sick babies, assure quality of care in all health-care facilities with regionalised perinatal care, and create a linked national registry for mothers and neonates with rapid feedback and accountability. FUNDING: US Fund for UNICEF under the Countdown to 2015, UNICEF Kyrgyzstan Office.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,167
Score d'incertitude au seuil0,332

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,401
Écart entre enseignants0,345 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetGlobal Maternal and Child HealthTravaux en français237 207