HUBUNGAN IBU BERSALIN TERKONFIRMASI COVID -19 DENGAN JENIS PERSALINAN DI WILAYAH KERJA PUSKESMAS SLAWI
Notice bibliographique
Résumé
Derajat kesehatan masyarakat Indonesia terlihat dari Angka Kematian Ibu dan Angka Kematian Bayi. AKI dan AKB tersebut digunakan sebagai indicator pelayanan kesehatan Ibu dan Bayi. Prevalensi AKI di Kabupaten Tegal Tahun 2021 sebesar 30 orang. Penyebab AKI tersebut dikarenakan Covid-19 (40%), Pre Eklampsia Berat (30%), Perdarahan (20%), lain-lain (10%) (Dinkes Kabupaten Tegal, 2021). Berdasarkan data di Puskesmas Slawi Tahun 2021 terdapat 350 ibu yang melahirkan di Puskesmas Slawi. Dari 350 ibu bersalin terdapat 2.6% ibu bersalin yang terkonfirmasi COVID-19. Dilihat dari jenis persalinan, 40% jenis persalinan dilakukan dengan tindakan (rujuk) dan 60% dengan persalinan spontan.Metode penelitian adalah korelasi dengan pendekatan cross sectional. Dilaksanakan di Puskesmas Slawi pada bulan Januari – Mei 2022, sampel yang digunakan adalah 130 ibu bersalin yang memenuhi kriteria inklusi dan kriteria eksklusi, menggunakan data sekunder dengan uji statistik Chi-square. Hasil: berdasarkan uji statistik didapatkan nilai p sebesar 0.266 sehingga dapat disimpulkan Tidak Terdapat Hubungan Ibu Bersalin Terkonfirmasi COVID-19 dengan Jenis Persalinan di Wilayah Kerja Puskesmas Slawi Kabupaten Tegal.
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 | 0,011 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».