Severe Neonatal Morbidity Across Gestational Age: Monitoring Infants at High Risk of Mortality
Notice bibliographique
Résumé
AIM: This study aimed to quantify temporal trends in severe neonatal morbidity (SNM) and examine its association with neonatal mortality, stratified by gestational age. METHODS: This study included all live births in Sweden from 2007 to 2021. SNM types and subtypes were identified based on diagnoses and procedure codes for births ≥ 22 weeks' gestation, including complications within 27 days. Rates were calculated by gestational age, and temporal changes were assessed using rate ratios (RR) and 95% confidence intervals (CI). Adjusted relative risks (aRR) of neonatal death were also estimated. RESULTS: From 2007 to 2021, 47,048 (2.8%) cases of SNM were identified, rising from 2.2% in 2007 to 3.6% in 2021, mainly due to increased resuscitation/mechanical ventilation rates across all gestational ages. Infections rose among infants born at ≥ 37 weeks (0.59% in 2007-2011 to 0.77% in 2017-2021, RR 1.30, 95% CI, 1.24-1.37), but declined in those born at 22-31 weeks. Neurological morbidity, especially seizures, slightly increased in term and moderately preterm infants. Except for infants born at 22-27 weeks, neonatal mortality risks among infants with SNM were higher in infants with greater gestational ages. CONCLUSION: Despite advances in neonatal care, SNM prevalence in Sweden increased from 2007 to 2021 across all gestational ages.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».