Effective interventions in preventing gestational diabetes mellitus: A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Lifestyle choices, metformin, and dietary supplements may prevent GDM, but the effect of intervention characteristics has not been identified. This review evaluated intervention characteristics to inform the implementation of GDM prevention interventions. METHODS: Ovid, MEDLINE/PubMed, and EMBASE databases were searched. The Template for Intervention Description and Replication (TIDieR) framework was used to examine intervention characteristics (who, what, when, where, and how). Subgroup analysis was performed by intervention characteristics. RESULTS: 116 studies involving 40,940 participants are included. Group-based physical activity interventions (RR 0.66; 95% CI 0.46, 0.95) reduce the incidence of GDM compared with individual or mixed (individual and group) delivery format (subgroup p-value = 0.04). Physical activity interventions delivered at healthcare facilities reduce the risk of GDM (RR 0.59; 95% CI 0.49, 0.72) compared with home-based interventions (subgroup p-value = 0.03). No other intervention characteristics impact the effectiveness of all other interventions. CONCLUSIONS: Dietary, physical activity, diet plus physical activity, metformin, and myoinositol interventions reduce the incidence of GDM compared with control interventions. Group and healthcare facility-based physical activity interventions show better effectiveness in preventing GDM than individual and community-based interventions. Other intervention characteristics (e.g. utilization of e-health) don't impact the effectiveness of lifestyle interventions, and thus, interventions may require consideration of the local context.
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 | 0,017 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,025 | 0,039 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».