Perinatal risk factors for neonatal early-onset sepsis: a meta-analysis of observational studies
Notice bibliographique
Résumé
OBJECTIVE: Early-onset neonatal sepsis (EONS) remains an important cause of neonatal mortality and has many risk factors, therefore, this study aimed to investigate the perinatal risk factors for EONS. METHODS: We searched CNKI, Wan Fang, VIP, CBM, PubMed, Embase, and Web of Science to compile studies regarding the incidence of neonatal early-onset sepsis, published up to 1 May 2022. To evaluate the quality of the included studies, we used the Newcastle-Ottawa Scale, and the RevMan5.3 software was used for meta-analysis. RESULTS: A total of 17 studies were included, with 1987 cases in the case group and 4814 cases in the control group. Meta-analysis showed that perinatal asphyxia or intrauterine distress (OR = 3.00, 95% CI: 2.18-4.13), amniotic fluid meconium contamination (OR = 4.51, 95% CI: 2.31-8.81), group B streptococcal (GBS) colonization in pregnant women (OR = 2.13, 95% CI: 1.48-3.05), chorioamnionitis (OR = 4.58, 95% CI: 2.61-8.05), premature rupture of membranes (OR = 2.63, 95% CI: 2.09-3.30), lower gestational age (OR = 1.31, 95% CI: 1.18-1.44), maternal urinary or reproductive tract infection (OR = 3.61, 95% CI: 2.14-6.11), perinatal fever (OR = 3.59, 95% CI: 2.25-5.71), very low birth weight (OR = 3.79, 95% CI: 2.14-6.73), and vaginal examination ≥3 times (OR = 7.95, 95% CI: 4.04-15.64) were the perinatal risk factors for EONS. CONCLUSION: Perinatal asphyxia or intrauterine distress, meconium contamination in amniotic fluid, GBS colonization in pregnant women, chorioamnionitis, premature rupture of membranes, lower gestational age, maternal urinary tract or reproductive tract infection, perinatal fever, very low birth weight, and vaginal examinations ≥3 times may increase the risk of EONS.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,007 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».