A Systematic Review of Racial and Ethnic Disparities in Maternal Health Outcomes among Asians/Pacific Islanders
Notice bibliographique
Résumé
Efforts to improve women's health and to reduce maternal mortality worldwide have led to a notable reduction in the global maternal mortality ratio (MMR) over the past two decades. However, it is clear that maternal health outcomes are not equitable, especially when analyzing the scope of maternal health disparities across "developed" and "underdeveloped" nations. This study evaluates recent MMR scholarship with a particular focus on the racial and ethnic divisions that impact on maternal health outcomes. The study contributes to MMR research by analyzing the racial and ethnic disparities that exist in the US, especially among Asian and Pacific Islander (API) subgroups. The study applies exclusionary criteria to 710 articles and subsequently identified various maternal health issues that disproportionately affect API women living in the US. In applying PRISMA review guidelines, the study produced 22 peer-reviewed articles that met inclusionary and exclusionary criteria for this review. The data analysis identified several maternal health foci: obstetric outcomes, environmental exposure, obstetric care and quality measures, and pregnancy-related measures. Only eight of the 22 reviewed studies disaggregated API populations by focusing on specific subgroups of APIs, which signals a need to reconceptualize marginalized API communities' inclusion in health care systems, to promote their equitable access to care, and to dissolve health disparities among racial and ethnic divides. Several short- and long-term initiatives are recommended to develop and implement targeted health interventions for API groups, and thus provide the groundwork for future empirically driven research among specific API subgroups in the US.
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) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 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 ».