Factors predicting general health concerns and atypical behaviours in children with prenatal alcohol exposure and other adverse exposures
Notice bibliographique
Résumé
Background: Prenatal alcohol exposure (PAE) can have significant negative consequences on the health outcomes of children. Children with PAE often experience other prenatal and postnatal adverse exposures. Increased rates of general health concerns and atypical behaviours are seen in both children with PAE as well as with other patterns of adverse exposures, although these have not been systematically described. The association between multiple adverse exposures and adverse health concerns and atypical behaviours in children with PAE is unknown. Methods: = 22; 14 males, age range = 7.9-15.9 years) and their caregivers. Support vector machine learning classification models were used to predict the presence of health concerns and atypical behaviours based on adverse exposures. Associations between the sums of adverse exposures, health concerns, and atypical behaviours were examined using correlation analysis. Results: All children experienced health concerns, the most common being sensitivity to sensory inputs (64%; 14/22). Similarly, all children engaged in atypical behaviours, with atypical sensory behaviour (50%; 11/22) being the most common. Prenatal alcohol exposure was most important factor for predicting some health concerns and atypical behaviours, and alone and in combination with other factors. Simple associations between adverse exposures could not be identified for many health concerns and atypical behaviours. Conclusion: Children with PAE and other adverse exposures experience high rates of health concerns and atypical behaviours. This study demonstrates the complex effects of multiple adverse exposures on health and behaviour in children.
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) | 0,001 | 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) | 0,000 | 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 ».