The changing epidemiology of preterm labour and delivery: A systematic literature review
Notice bibliographique
Résumé
Abstract Objective To identify and synthesize epidemiologic data for preterm labour (PTL) and preterm birth (PTB). Methods A systematic search, with protocol registered in PROSPERO, was implemented in MEDLINE and EMBASE and supplemented by web‐based and grey literature searches. Observational, population‐based studies in the United States, Canada, United Kingdom, France, Germany, Spain, and Italy, published in English between 2012 and 2022 were considered for inclusion. Estimates by country were reported and stratified by gestational age, birth plurality, and race/ethnicity, data permitting. Results Ten publications and nine grey literature reports were included. Epidemiologic estimates of PTL were reported for the United Kingdom and France: PTL was diagnosed in 2.2% of pregnancies and preceded 50% of PTBs. PTB rates were reported for the United States, Canada, United Kingdom, France, and Spain. Among live births in these countries, annual PTB incidence ranged from 5.9% (Spain, 2020) to 10.2% (United States, 2019). Most countries reported the PTB incidence by gestational age; reports by birth plurality or race/ethnicity were scarce. PTB rates for Germany or Italy were not identified. Conclusions While PTBs were well‐reported overall and by gestational age, how rates varied by plurality, race/ethnicity and etiology is unclear. Epidemiologic estimates for PTL, a leading cause of PTB, were rarely reported in the literature. Population‐based research is needed to understand the burden of PTL and for decision making regarding the management of this condition.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».