Impact of Obstetric Nutritional Risk on Perinatal Morbidity: A Case-Control Study
Notice bibliographique
Résumé
Objective. Malnutrition is among the most relevant problems in pregnant women, which affects nutritional status of the fetus and newborn outcome. The impact of obstetric nutritional risk (ONR) on neonatal morbidity has not been investigated. The purpose of this work was to identify a possible association between ONR, on high-risk pregnancy (HRP) patients and perinatal morbidity. Methods. This Case Control study included 118 neonates of HRP patients who were either (Cases, n =66) or not (Controls, n =52) with ONR. Groups were then compared to identify associated Neonatal Morbidity. Study variables included: neonatal morbidity, one and five-minute APGAR scores, birth weight, gestation weeks, preterm births, newborn gender and neonatal complications. Results. Morbidity and preterm births were identified in 40 (60.6%) and 11 (21.1%) neonates (p <0.001); and 40 (60.6%) and 14 (26.9%) neonates (p <0.001), for cases and controls, respectively. Average one-minute and five-minute APGAR scores was 6 ± 1 and 8 ± 1 (p <0.05); and 8 ± 1 and 9 ± 1 (p >0.05) for cases and controls, respectively. Average birth weight and gestation weeks was 2,272.5 and 2,548.5 grams (p <0.05); and 34 ± 3.7 and 37 ± 3 weeks (p <0.05) for cases and controls, respectively. There were 34 (51.51%) and 24 (46.15%) female neonates (p < 0.05); and 32 (48.48%) and 28 (53.85%) male neonates (p >0.05) for cases and control, respectively. Conclusion. Morbidity was significantly higher in neonates of HRP patients with ONR. Therefore, Obstetric Nutritional Risk had a negative impact on perinatal morbidity and newborn outcome.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».