Prenatal Exposures, Diagnostic Outcomes, and Life Experiences of Children and Youths with Fetal Alcohol Spectrum Disorder
Notice bibliographique
Résumé
Children and youths diagnosed with FASD may experience a range of adverse health and social outcomes. This cross-sectional study investigated the characteristics and outcomes of children and youths diagnosed with FASD between 2015 and 2018 at the Sunny Hill Centre in British Columbia, Canada and examined the relationships between prenatal substance exposures, FASD diagnostic categories, and adverse health and social outcomes. Patient chart data were obtained for 1187 children and youths diagnosed with FASD and analyzed. The patients (mean age: 9.7 years; range: 2–19) had up to 6 physical and 11 mental health disorders. Prenatal exposure to other substances (in addition to alcohol) significantly increased the severity of FASD diagnosis (OR: 1.18): the odds of FASD with sentinel facial features (SFF) were 41% higher with prenatal cigarette/nicotine/tobacco exposure; 75% higher with exposure to cocaine/crack; and two times higher with exposure to opioids. Maternal mental health issues and poor nutrition also increase the severity of FASD diagnosis (60% and 6%, respectively). Prenatal exposure to other substances in addition to alcohol significantly predicts involvement in the child welfare system (OR: 1.52) and current substance use when adjusted for age (aOR: 1.51). Diagnosis of FASD with SFF is associated with an increased number of physical (R2 = 0.071, F (3,1183) = 30.51, p = 0.000) and mental health comorbidities (R2 = 0.023, F (3,1185) = 9.51, p = 0.000) as compared to FASD without SFF adjusted for age and the number of prenatal substances. Screening of pregnant women for alcohol and other substance use, mental health status, and nutrition is extremely important.
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 | 0,000 | 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 | 0,000 |
| 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 ».