Time trends in preeclampsia and gestational diabetes in Denmark and Alberta, Canada, 2005–2018—A population‐based cohort study
Notice bibliographique
Résumé
INTRODUCTION: Preeclampsia and gestational diabetes mellitus share risk factors such as obesity and increased maternal age, which have become more prevalent in recent decades. We examined changes in the prevalence of preeclampsia and gestational diabetes between 2005 and 2018 in Denmark and Alberta, Canada, and investigated whether the observed trends can be explained by changes in maternal age, parity, multiple pregnancy, comorbidity, and body mass index (BMI) over time. MATERIAL AND METHODS: This study was a register-based cohort study conducted using data from the Danish National Health Registers and the provincial health registers of Alberta, Canada. We included in the study cohort all pregnancies in 2005-2018 resulting in live-born infants and used binomial regression to estimate mean annual increases in the prevalence of preeclampsia and gestational diabetes in the two populations across the study period, adjusted for maternal characteristics. RESULTS: The study cohorts included 846 127 (Denmark) and 706 728 (Alberta) pregnancies. The prevalence of preeclampsia increased over the study period in Denmark (2.5% to 2.9%) and Alberta (1.7% to 2.5%), with mean annual increases of 0.03 (95% confidence interval [CI] 0.02-0.04) and 0.06 (95% CI 0.05-0.07) percentage points, respectively. The prevalence of gestational diabetes also increased in Denmark (1.9% to 4.6%) and Alberta (3.9% to 9.2%), with average annual increases of 0.20 (95% CI 0.19-0.21) and 0.44 (95% CI 0.42-0.45) percentage points. Changes in the distributions of maternal age and BMI contributed to increases in the prevalence of both conditions but could not explain them entirely. CONCLUSIONS: The prevalence of both preeclampsia and gestational diabetes increased significantly from 2005 to 2018, which portends future increases in chronic disease rates among affected women. Increasing demand for long-term follow up and care will amplify the existing pressure on healthcare systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».