Risk Factors for Maternal Body Mass Index and Gestational Weight Gain in Twin Pregnancies
Notice bibliographique
Résumé
Abstract Objective This retrospective cohort study analyzes risk factors for abnormal pre-pregnancy body mass index and abnormal gestational weight gain in twin pregnancies. Methods Data from 10 603/13 682 twin pregnancies were analyzed using uni- and multivariable logistic regression models to determine risk factors for abnormal body mass index and weight gain in pregnancy. Results Multiparity was associated with pre-existing obesity in twin pregnancies (aOR: 3.78, 95% CI: 2.71 – 5.27). Working in academic or leadership positions (aOR: 0.57, 95% CI: 0.45 – 0.72) and advanced maternal age (aOR: 0.96, 95% CI: 0.95 – 0.98) were negatively associated with maternal obesity. Advanced maternal age was associated with a lower risk for maternal underweight (aOR: 0.95, 95% CI: 0.92 – 0.99). Unexpectedly, advanced maternal age (aOR: 0.98, 95% CI: 0.96 – 0.99) and multiparity (aOR: 0.6, 95% CI: 0.41 – 0.88) were also associated with lower risks for high gestational weight gain. Pre-existing maternal underweight (aOR: 1.55, 95% CI: 1.07 – 2.24), overweight (aOR: 1.61, 95% CI: 1.39 – 1.86), obesity (aOR: 3.09, 95% CI: 2.62 – 3.65) and multiparity (aOR: 1.64, 95% CI: 1.23 – 2.18) were all associated with low weight gain. Women working as employees (aOR: 0.85, 95% CI: 0.73 – 0.98) or in academic or leadership positions were less likely to have a low gestational weight gain (aOR: 0.77, 95% CI: 0.64 – 0.93). Conclusion Risk factors for abnormal body mass index and gestational weight gain specified for twin pregnancies are relevant to identify pregnancies with increased risks for poor maternal or neonatal outcome and to improve their counselling. Only then, targeted interventional studies in twin pregnancies which are desperately needed can be performed.
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 | 0,000 | 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 | 0,000 |
| 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 ».