Meta Analysis: Effect of Oral Contraceptives on Obesity in Fertile Age Women in Asia
Notice bibliographique
Résumé
Background: Obesity is a disease with a complex (multi-causal) cause because it involves genetic and environmental factors. Some of them are heredity, individual socio-economic factors, eating patterns (habits), food consumption, physical activity, hormonal, nutritional knowledge, and perception. This study aimed to analyze the effect of oral contraceptives on obesity in women of childbearing age. Subjects and Method: This was a meta analysis and systematic review from several observational studies. The articles were collected from PubMed, Google Scholar, and Springerlink databases, published from 2000-2020. Data collection used eligibility criteria, including population (P): women of reproductive age, intervention (I): oral contraceptive, comparison (C): non oral contraceptive, and outcome (O): obesity. Keywords used “pil contraception” OR “Pil Contraceptive” AND “Oral Contraceptive” OR “Oral Contraception” AND “Obesity” OR “Overweight” AND“ Cross sectional” AND “Cohort” AND “Adjusted Odds Ratio”. Selected articles were full text of observational study. These articles were selected by PRISMA flow diagram. Quantitative synthesis was conducted using Review Manager 5.3 program. Results: A total of 3 articles reviewed in a meta-analysis with subgroup analysis using an observational cohort design showed that oral contraceptives increased the risk of obesity in women of reproductive age (aOR= 1.14, 95% CI= 1.03-1.26, p<0.001). A meta-analysis of 4 articles that conducted a subgroup analysis with a cross sectional observational design also showed that oral contraceptives increased the risk of obesity in women of childbearing age (aOR= 1.52; 95% CI= 0.78-298; p <0.001). This meta-analysis combines primary research from Korea, India, Canada, Congo, and the United States of America. Conclusion: Oral contraceptives increase the risk of obesity. Keywords: oral contraception, obesity Correspondence: Muhammad Zia Ulhaq. Masters Program in Public Health, Universitas Sebelas Maret, Jl. Ir. Sutami 36A, Surakarta 57126, Central Java. Email: kandaulhaq@gmail.com. Journal of Maternal and Child Health (2020), 05(06): 673-682 https://doi.org/10.26911/thejmch.2020.05.06.07.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».