The Effectiveness of the SOBUMIL mHealth App in Enhancing Early Detection of Pregnancy Complications in Bogor Regency, Indonesia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Global and national efforts are underway to reduce maternal mortality. Empowering pregnant women enables health decision-making and early detection of pregnancy complications. Developing applications related to pregnancy potentially improves women's behavior in preventing pregnancy complications. Objective: This study aimed to explore the influence of SOBUMIL (Sobat Ibu Hamil), an android-based application on pregnant women's empowerment for early detection of complications. Methods: A quasi-experimental study was conducted in the Bogor Regency, Indonesia. Study participants were pregnant women residing in two primary health care in their second and third trimesters. Pregnant women were excluded if they were disabled or unable to read and write. A total sample of 350 was calculated using the Lemeshow sample formula, which included an intervention and control group. Results: Overall, we found a statistically significant positive effect of SOBUMIL application in all pregnant women's empowerment parameters to detect pregnancy complications early in Bogor Regency (p<0.001). Conclusion: This study confirms the positive influence of the SOBUMIL application in empowering pregnant women for early detection of pregnancy complications. This underscores the potential of mobile health interventions to enhance knowledge, attitudes, and abilities, enabling independent monitoring and addressing of pregnancy-related risks, ultimately improving maternal healthcare 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.
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 | 0,021 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle