Prevalence of Neonatal Mortality and its Associated Factors: A Meta.analysis of Demographic and Health Survey Data from 21 Developing Countries
Notice bibliographique
Résumé
Neonatal mortality is high in developing countries, and reducing neonatal mortality is an indispensable part of the third Sustainable Development Goal. This study estimated the prevalence of neonatal mortality and the impact of maternal education, economic status, and utilization of antenatal care (ANC) services on neonatal mortality in developing countries. We used a cross-sectional study design to integrate data from 21 developing countries to acquire a wider perspective on neonatal mortality. A meta-analysis was conducted using the latest Demographic and Health Survey data from 21 developing countries. In addition, sensitivity analysis was adopted to assess the stability of the meta-analysis. The random-effects model indicated that women with higher education were less likely to experience neonatal death than mothers with up to primary education (odds ratio [OR] 0.820, 95% confidence interval [CI] 0.740-0.910). Women with higher socioeconomic status were less likely to experience neonatal death than mothers with lower socioeconomic status (OR 0.823, 95% CI 0.747-0.908). Mothers with ANC were less likely to experience neonatal death than those with no ANC (OR 0.374, 95% CI 0.323-0.433). Subgroup analysis showed that maternal education and ANC were more effective in Asian countries. In this study, mothers' lower educational level, poor economic status, and lack of ANC were statistically significant factors associated with neonatal death in developing countries. The effect of these factors on neonatal death differed in different regions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».