Digital Health as a Mechanism to Reduce Neonatal Intensive Care Unit Admissions: Retrospective Cohort Study
Notice bibliographique
Résumé
Background: Admission to the neonatal intensive care unit (NICU) is costly and has been associated with financial and emotional stress among families. Digital health may be well equipped to impact modifiable health factors that contribute to NICU admission rates. Objective: The aim of the study is to investigate how the use of a comprehensive prenatal digital health platform is associated with gestational age at birth and mechanisms to reduce the risk of admission to the NICU. Methods: Data were extracted from 3326 users who enrolled in a comprehensive digital health platform between January 2020 and May 2022. Multivariable linear and logistic regression models were used to estimate the associations between hours of digital health use and (1) gestational age at birth and (2) mechanisms to reduce the risk of a NICU admission. Multivariable logistic regression models estimated the associations between (1) gestational age at birth and (2) mechanisms to reduce the risk of a NICU admission and the likelihood of a NICU admission. All analyses were stratified by the presence of any gestational conditions during pregnancy. Results: For users both with and without gestational conditions, hours of digital health use were positively associated with gestational age at birth (in weeks; with gestational conditions: β=.01; 95% CI 0.0006-0.02; P=.04 and without gestational conditions: β=.01; 95% CI 0.0006-0.02; P=.04) and mechanisms that have the potential to reduce risk of a NICU admission, including learning medically accurate information (with gestational conditions: adjusted odds ratio [AOR] 1.05, 95% CI 1.03-1.07; P<.001 and without gestational conditions: AOR 1.04, 95% CI 1.02-1.06; P<.001), mental health management (with gestational conditions: AOR 1.06, 95% CI 1.04-1.08; P<.001 and without gestational conditions: AOR 1.03, 95% CI 1.02-1.05; P<.001), and understanding warning signs during pregnancy (with gestational conditions: AOR 1.08, 95% CI 1.06-1.11; P<.001 and without gestational conditions: AOR 1.09, 95% CI 1.07-1.11; P<.001). For users with and without gestational conditions, an increase in gestational age at birth was associated with a decreased likelihood of NICU admission (with gestational conditions: AOR 0.62, 95% CI 0.55-0.69; P<.001 and without gestational conditions: AOR 0.59, 95% CI 0.53-0.65; P<.001). Among users who developed gestational conditions, those who reported that the platform helped them understand warning signs during pregnancy had lower odds of a NICU admission (AOR 0.63, 95% CI 0.45-0.89; P=.01). Conclusions: Digital health use may aid in extending gestational age at birth and reduce the risk of NICU admission.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».