Prevalence of and risk factors for excess weight gain in pregnancy: a cross-sectional study using survey data
Notice bibliographique
Résumé
BACKGROUND: Maternal weight gain during pregnancy is required for fetal development; however, excess gestational weight gain is associated with increased maternal and neonatal morbidity. We aimed to determine the proportion of Canadian women who gained excess weight during pregnancy and to identify risk factors for excess gestational weight gain. METHODS: Self-reported data on maternal weight gain were collected from the 2015/16 and 2017/18 cycles of the Canadian Community Health Survey (CCHS), a cross-sectional population-based survey. We included females aged 15 to 54 years with data on height, prepregnancy weight and gestational weight gain. We defined excess gestational weight gain in terms of preconception body mass index (BMI) according to the 2009 guideline of the US Institute of Medicine. We used logistic regression to evaluate potential risk factors for excess gestational weight gain. RESULTS: Of 1 335 615 Canadian women (weighted from approximately 9300 survey respondents), 422 043 (32%) gained excess weight during pregnancy. Women with obesity had 33% lower odds of gaining excess weight relative to women with overweight (odds ratio 0.67, 95% confidence interval 0.48-0.94). Risk factors for excess gestational weight gain were lower education level, white or Indigenous identity, smoking, mood disorder, anxiety disorder and Canadian citizenship. INTERPRETATION: One-third of Canadian women in this survey had excess gestational weight gain during pregnancy, and women with obesity had lower odds of gaining excess weight during pregnancy relative to women with overweight. Strategies are needed to reduce the proportion of Canadian women who gain excess weight during pregnancy, regardless of preconception BMI.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».