Can we more precisely classify exposure to antenatal depression and anxiety in multivariable prediction models of pregnancy and birth outcomes: a population-based cohort study
Notice bibliographique
Résumé
BACKGROUND: Depression and anxiety are highly prevalent within the perinatal period and have been associated with myriad adverse pregnancy and birth outcomes. In this study, we sought to investigate whether population-based data can be used to build complex, longitudinal mental health histories that improve our ability to predict adverse pregnancy and birth outcomes. METHODS: Using population-based, administrative datasets, we examined individual-level mental health services use of all birth parents who delivered a live infant in British Columbia, Canada between April 1, 2000, and December 31, 2013, and who were registered with the provincial Medical Services Plan for over 100 days per year from 10-years preconception to 1-year postpartum. We operationalized variables to proxy severity, persistence, and frequency of depression/anxiety from preconception through pregnancy, then constructed predictive regression models for postpartum depression/anxiety and preterm birth. RESULTS: Predictive modeling of postpartum depression/anxiety and preterm birth revealed better predictions and stronger performance with inclusion of a more detailed preconception mental health history. Incorporating dichotomous indicators for depression/anxiety across preconception markedly improved predictive power and model fit. Our detailed measures of mental health service use predicted postpartum depression/anxiety much better than preterm birth. Variables characterizing use of outpatient psychiatry care and outpatient visit frequency within the first five years preconception were most useful in predicting postpartum depression/anxiety and preterm birth, respectively. CONCLUSION: We report a feasible method for developing and applying more nuanced definitions of depression/anxiety within population-based data. By accounting for differing profiles of mental health treatment, mental health history, and current mental health, we can better control for severity of underlying conditions and thus better understand more complex associations between antenatal mental health and adverse 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 | 0,000 | 0,000 |
| 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 ».