Maternal and neonatal factors associated with perinatal deaths in a South African healthcare institution
Notice bibliographique
Résumé
Background: Research indicated the prevalence of perinatal deaths of infants immediately or up to a week after birth and includes fresh and macerated stillbirths and neonatal deaths. Worldwide, there is a decline in perinatal deaths. However, in South Africa, it is not the case. Often the quality of maternity care is considered as the most important contributing factor for these deaths. However, maternal and neonatal factors can also contribute. Aim: The aim of the study was to determine the maternal and neonatal factors associated with perinatal deaths in a single selected district hospital within the Free State Province of South Africa. Setting: The maternity unit of the largest district hospital in the specific district in the Free State Province of South Africa. Method: A clinical audit design was used. Units of analysis comprised the Perinatal Problem Identification Programme (PPIP) database of neonates born during 2015, and their mothers. A random sample of 384 alive neonates and an all-inclusive sample of 43 deceased neonates were taken from a total of 2319. Descriptive statistics were reported and Cohen’s effect sizes, d , were calculated to identify practically significant differences between the neonates in the alive and the deceased group, respectively. Results: Cohen’s effect sizes and logistical regression analyses indicate that the Apgar score recorded 10 min after birth, gestational age, birth weight of neonate and the parity of the mother were the most practically significant factors influencing a neonate’s chances of survival. Conclusion: Quality maternity care is not the only cause of perinatal mortality rates; maternal and neonatal factors are also contributors.
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 | 0,000 |
| 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 ».