The relationship of maternal anxiety, positive and negative affect schedule, and fatigue with neonatal psychological health upon childbirth
Notice bibliographique
Résumé
BACKGROUND: Exposure of mothers to negative moods and stress before childbirth leads to negative consequences for the infants. Given the importance of psychological health, this study aimed to examine the effect of these factors on the infants' psychological health. METHOD: This cross-sectional study was conducted in Shiraz hospitals on 110 pregnant women selected with multistage random sampling. Research tools included The McGill Pain Questionnaire (MPQ) to measure fatigue with three criteria; The Positive and Negative Emotion Schedule (PANAS); and The Spielberger State-Trait Anxiety Inventory (STAI) were used to measure maternal mood and anxiety level. Also, neonatal psychological health was assessed by a checklist. Neonatal psychological health's correlation with maternal anxiety, fatigue, and mental state was assessed. Data were analyzed by SPSS-19 software using Pearson correlation coefficient and statistical regression at the significance level of 0.05. RESULT: Although there was no significant relationship between maternal anxiety score and neonatal psychological health after birth (p = 0.231; r=-0.343), the relationship was significant immediately after birth with positive (P < 0.001; r = 0.343) and negative affect scores (P < 0.001; r=-0.357). CONCLUSIONS: There was a statistically significant relationship between the neonatal psychological health and maternal fatigue (p ≤ 0.001; r = -0.357) and PANAS (p ≤ 0.001) of the mother; however, it had no significant relationship with maternal anxiety (p = 0.231; r=- 0.343). Therefore, nurses and midwives can reduce maternal anxiety and improve neonatal mental health by supporting mothers.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».