Importance of Modifiable Factors to Infant Health in the Context of Prenatal Opioid Use Disorder
Notice bibliographique
Résumé
OBJECTIVE: The aim of the study is to estimate the contributions of common and modifiable risk factors to birth outcomes of individuals with prenatal opioid use disorder (OUD). METHODS: We conducted an observational cohort study of all Wisconsin Medicaid-covered singleton live births from 2011-2019. Using Blinder-Oaxaca decomposition for continuous, and the Fairlie extension for categorical outcomes, we estimated the contributions of comorbidities, tobacco use, pre-pregnancy body mass index (BMI), and gestational weight gain (GWG) to birthweight for gestational age (BW-GA) percentile associated with prenatal OUD and the risk of small for gestational age (SGA), net of other factors. RESULTS: Among 216,684 births, the 5184 (2.4%) with OUD had greater prevalence of tobacco use, a lower average pre-pregnancy BMI (26.7 kg/m 2 , SD = 0.09 versus 28.4 kg/m 2 , SD = 0.02), and on average 2.0 pounds less GWG, when compared to those without OUD. The predicted mean BW-GA percentile among infants with OUD exposure was 11.2 (95% CI 10.5, 11.9) points lower than those without; 62.3% (95% CI 57.4, 67.1) of this difference could be explained by the variables included in the full model and the largest contribution of the explained portion came from the higher prevalence of tobacco use followed by the contributions of comorbidities, GWG, and pre-pregnancy BMI. CONCLUSIONS: More than half of the difference in BW-GA percentile, and risk of SGA associated with prenatal OUD, could be attributed to modifiable factors and not opioids. Moreover, potentially modifiable factors including tobacco use and measures reflecting nutritional status contributed to a majority of the explained portion.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».