Determinants of prematurity in urban Indonesia: a meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: Indonesia is the fifth country with the highest number of preterm births worldwide. More than a third of neonatal deaths in Indonesia were attributed to preterm birth. Residential areas affected the occurrence of preterm birth due to differing socioeconomic and environmental conditions. Many studies have investigated the determinants of prematurity in Indonesia, however, most of them were performed in rural areas. This study is the first meta-analysis describing the determinants of preterm birth in urban Indonesia, which aimed to become the foundation upon implementing the most suitable preventative measure and policy to reduce the rate of preterm birth. METHODS: We collected all published papers investigating the determinants of preterm birth in urban Indonesia from PubMed MEDLINE and EMBASE, using keywords developed from the following key concepts: "preterm birth", "determinants", "risk factors", "Indonesia" and the risk factors, such as "high-risk pregnancy", "anemia", "pre-eclampsia", and "infections". Exclusion criteria were multicenter studies that did not perform a specific analysis on the Indonesian population or did not separate urban and rural populations in their analysis, and articles not available in English or Indonesian. The Newcastle Ottawa Scale was used to assess the risk of bias. This systematic review was registered in PROSPERO. RESULTS: Sixteen articles were included in the analysis and classified into five categories: genetic factors, nutrition, smoking, pregnancy characteristics or complications, and disease-related characteristics. CONCLUSIONS: Our meta-analysis revealed adolescent pregnancy, smoking, eclampsia, bacterial vaginosis, LC-PUFA, placental vitamin D, and several minerals as the significant determinants of preterm birth in urban Indonesia.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».