Notice bibliographique
Résumé
The prevalence of anemia in pregancy in Indonesia is 40.1 % by National Family Health Survey 2001. Data from Health Office Pekanbaru City showed prevalence of anemia in pregnancy in Tenayan Raya Public Health Center is 54 %. This cross sectional study was designed to identify risk factors with anemia in pregnancy in Tenayan Raya Public Health Center. Two hundreds and twelve pregnant women were included in this study . Data obtained usinh questionnaire and analyzed using regression logistic test. This study showed Parity (CI95%: OR = 1.66 to 6.16), adequacy of iron intake (CI95%: OR = 1.59 to 5.80), Status KEK (CI95%: OR = 1.44 to 2.50), maternal education (CI95%: OR = 1.24 to 4.50) were significantly associated with incidence of anemia in pregnancy. Unrelated variables are maternal age, family income, employment and knowledge. multivariate analysis showed the parity (number of children), the adequacy of iron intake, KEK status, and maternal education have a causal relationship with the incidence of anemia. Variables that are not associated significantly with the incidence of anemia in pregnant women is the mother's age, family income, occupation and knowledge. Suggest for pregnant women to plan their pregnancy, consume iron tablets as many as 30 eggs / month for 3 consecutive months and maintain the nutritional needs during pregnancy. For further research needs to study with different respondents, a different place and time by using continuous data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».