The Role of Laboratory Medicine in Improving Maternal Health Outcomes and Reducing Disparities
Notice bibliographique
Résumé
Maternal mortality, or deaths due to complications from pregnancy or childbirth, is a global health issue. While maternal deaths worldwide decreased from 451 000 in 2000 to 287 000 in 2020, the global maternal mortality ratio (MMR) remains at an astoundingly high 223 deaths per 100 000 live births, or one maternal death every 2 minutes (1). Low-income countries bear the brunt of this affliction, with an MMR of 430 per 100 000 births compared to 13 per 100 000 in high-income countries (1). The most common causes of maternal death include postpartum hemorrhage, hypertensive disorders, sepsis, complications of unsafe abortion, and exacerbation of preexisting medical conditions due to pregnancy. Tragically, most of these deaths are preventable through access to skilled medical providers and interventions throughout pregnancy and after childbirth (2). The United States performs worse on measures of maternal mortality than any other high-income country. In 2020, the MMR in the United States was 21 per 100 000 births, 40% higher than the next-highest country, Chile (15 per 100 000 births), 91% higher than Canada (11 per 100 000), and 110% higher than the United Kingdom (10 per 100 000) (3). It is of concern that many studies have reported an increase in the US MMR over the past 2 decades. However, a recent study in the American Journal of Preventive Medicine (4) reported a particularly shocking finding: the MMR in the United States accelerated from 18.9 in 2019 to 31.8 per 100 000 births in 2021, representing a 68% increase in the span of 2 years and a 230% increase from the 9.7 deaths per 100 000 US births reported in 2002.
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) | 0,000 | 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 ».