Pairing Evidence-Based Strategies With Motivational Interviewing to Support Optimal Nutrition and Weight Gain in Pregnancy
Notice bibliographique
Résumé
OBJECTIVE: Because eating, nutrition, and weight management patterns adopted during pregnancy may persist beyond the postpartum period, pregnancy provides an opportunity for health education that affects the future health of the pregnant person, the fetus, and the family. This systematic review aimed to find nutrition and weight management behaviors that could be used safely during pregnancy to optimize gestational weight gain. METHODS: PubMed, MEDLINE, and Web of Science were searched for research or systematic reviews published in English from 2018 to 2023 using terms including gestational weight gain maintenance, weight, management, pregnancy, behavior, strategy, and strategies. Excluded research used pediatric or adolescent populations, restrictive diets such as no carbohydrate or no fat diets, fasting, bariatric surgery, weight loss medications, private industry, or profit-earning programs using food brands or specific diet programs. RESULTS: The abstracts reviewed in these areas: excessive gestational weight gain (1019), low-glycemic index diet (640), Mediterranean diet (220), MyPlate diet (2), the Dietary Approaches to Stop Hypertension (DASH) diet (50), portion control (6), home meal preparation (6), mindful eating (13), intuitive eating (10), self-weighing (10), and motivational interviewing during pregnancy (107), were reduced to 102 studies. Studies in those 10 areas were reviewed for nutrition and eating behaviors that are safe to use during pregnancy and could be used along with motivational interviewing. CONCLUSION: Clinicians can discuss these behaviors using motivational interviewing techniques to assist clients in optimizing gestational weight gain. Dialogue examples pairing these strategies with motivational interviewing principles are included.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».