Factors Affecting Sleep Quality and Prenatal Distress Among Rural and Urban Women During Early Pregnancy
Notice bibliographique
Résumé
Background Early pregnancy is characterized by the initiation of physiological and psychological changes, which places pregnant women at risk of psychological distress and poor sleep, which is known to cause adverse maternal and neonatal outcomes. This study aimed to assess the prevalence of prenatal distress and sleep quality during early pregnancy and identify factors associated with prenatal distress among pregnant women from urban and rural settings. Methods The study was conducted with 325 pregnant women (175 rural, 150 urban) as a baseline assessment of the MAI (Mother and Infant) cohort, a longitudinal observational study in Pune, India. Data on sociodemography, anthropometry, clinical history, prenatal distress, and sleep quality were collected between August 2020 and March 2023. Mann Whitney U test and regression were used to assess correlates of sleep quality and prenatal distress. Results Over one-third (37.5%) (n=122) of women experienced prenatal distress. Women from rural areas reported a higher prevalence (40%) (n=70) of distress, and poorer sleep quality than urban women (51.4% (n=90) vs 38.7% (n=58)). High prenatal distress was moderately associated with poor sleep quality (ρ = 0.308, p = 0.001). After controlling for sociodemographic and clinical factors, high prenatal distress (B=2.63, 95% CI: 1.47-4.69) predicted poor sleep quality. Rural residence (OR: 6.37, 2.46-16.51), underweight BMI status (OR: 2.21, 0.97-5.05), presence of episodes of vomiting (OR: 1.70, 0.93-3.13), and poor sleep quality (OR: 0.74, 0.40-1.38) significantly (p<0.05) contributed to prenatal distress. Conclusion Prenatal distress and poor sleep quality are significant concerns for pregnant mothers globally and require early screening and management strategies to avoid adverse maternal and fetal outcomes.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».