Meta-Analysis of Predictive Modelling Approaches and Systematic Reviews for Maternal Healthcare Outcomes
Notice bibliographique
Résumé
Enhancing parental care is of utmost importance in ensuring the well-being of pregnant women throughout theirpregnancy and childbirth journey. Although there have been significant advancements in this area, persistent challenges such as infections, hemorrhage, hypertension, unsafe abortions, and other concerns remain. Prioritizing maternal health could greatly reduce mortality rates and promote safer pregnancies. This meta-analysis assesses research methodologies in maternal healthcare outcomes, evaluating their strengths and weaknesses. We also explore the prevalence of systematic reviews in maternal health to enhance healthcare outcomes. We examined five major databases—Google Scholar, PubMed, Elsevier, PLOS, and BMC—encompassing descriptive and computational research on maternal outcomes between 2000 and 2021. Our search terms included predicting, modeling, maternal, outcome, healthcare forecasting, demonstrating, consequence, diagnosis, machine learning, mathematical, and statistical. Forty-four papers related to maternal outcomes were reviewed. Google Scholar yielded 50 articles (46.30%), PubMed 33 articles (31.48%), Elsevier 12 articles (11.11%), BMC nine articles (9.26%), and PLOS two articles (1.85%). Our findings highlight a high awareness of maternal outcome prevalence. Multiple factors contribute to maternal risk, including maternal education, economic circumstances, financial constraints, and access to antenatalcare. Therefore, this work advocates for the adoption of additional methods and mathematical models to predictmaternal outcomes, ultimately improving maternal healthcare.
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 | 0,053 | 0,167 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,057 |
| Bibliométrie | 0,015 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».