Are Detailed Behavioral, Psychosocial, and Environmental Variables Necessary to Control for Confounding in Pregnancy Weight Gain Research?
Notice bibliographique
Résumé
BACKGROUND: Associations between pregnancy weight gain and adverse outcomes may be spurious owing to confounding by factors not typically measured in cohort studies. We determined the extent to which the addition of detailed behavioral, psychosocial, and environmental measurements to commonly available covariates improved control of confounding. METHODS: We used data from a prospective US pregnancy cohort study (2010-2013, n = 8978). We calculated two propensity scores for low and high pregnancy weight gain (vs. adequate gain) using 11 standard confounders (e.g., age and education). We examined the balance of characteristics between weight gain groups before and after propensity score matching. We used negative binomial regression to estimate the association between weight gain and small- and large-for-gestational-age birth, preterm birth, and unplanned cesarean delivery, controlling for propensity score. To this model, we then added 17 detailed behavioral, psychosocial, and environmental measurements ("fully adjusted"). We calculated the risk ratio owing to confounding as the ratio of the standard confounder-adjusted risk ratio to the fully adjusted risk ratio. RESULTS: There were minimal imbalances between weight gain groups in detailed measures after matching for a propensity score of standard covariates. Accordingly, the inclusion of detailed covariates had minimal impact on estimated associations between low or high pregnancy weight gain and adverse pregnancy outcomes: risk ratios owing to confounding were null for all outcomes (e.g., 1.1 [95% CI = 1.0, 1.1] for low weight gain and preterm birth). CONCLUSIONS: Adjustment for detailed behavioral, psychosocial, and environmental measurements had minimal impact on estimated associations between pregnancy weight gain and adverse perinatal outcomes.
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 | 0,003 | 0,002 |
| 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 ».