An <scp>eHealth</scp> Intervention in Pregnancy on Maternal Body Composition and Subsequent Perinatal Outcomes: A Randomized Trial
Notice bibliographique
Résumé
OBJECTIVE: To examine the effects of a pragmatic multicomponent eHealth intervention in pregnancy on body composition changes and subsequent associations with perinatal outcomes. METHODS: Pregnant individuals (n = 351) enrolled in Louisiana's Women, Infants, and Children program were randomly assigned to a multicomponent eHealth Intervention or Usual Care. Fat percentage, fat mass, and fat-free mass were assessed using bioelectrical impedance at trimester-specific study visits. Mixed models evaluated within- and between-group differences in body composition from early to late pregnancy: overall, by BMI, and by gestational weight gain (GWG) guideline attainment. Effects of body composition changes on perinatal outcomes was evaluated. RESULTS: Compared to Usual Care (n = 172), the Intervention Group (n = 179) had attenuated gains in fat mass, fat mass index, and fat percentage from early to late pregnancy overall, in individuals who had normal weight at enrollment, and in those who exceeded GWG guidelines (p < 0.05). No significant between-group differences in fat-free mass were observed. Fat mass change interacted with intervention effects on neonatal health outcomes (p = 0.01). CONCLUSIONS: Lifestyle interventions during pregnancy may attenuate gestational fat mass gain, particularly among women with normal weight and those who exceed GWG guidelines, with potential implications for neonatal health outcomes. TRIAL REGISTRATION: ClinicalTrials.gov identifier: NCT04028843.
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 | 0,000 |
| 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 ».