Influencing factors of neural tube malformation: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Neural tube malformation is a common congenital malformation and its influencing factors were still unclear. This paper aims to explore the main influencing factors of neural tube malformation, and provide reference for the primary prevention of neural tube malformation. Methodology: Case-control literatures on the influencing factors of neural tube malformation from 1990 to 2021 were searched from Chinese and English websites. The quality of the included literatures was evaluated according to Newcastle-Ottawa Scale (NOS) scale and data were extracted. Meta-analysis was performed on the data using funnel plot and Egger's est evaluated publication bias, and sensitivity analysis was performed by eliminating individual studies one by one. Results: A total of 49 case-control studies were included. Meta-analysis showed that the main influencing factors of neural tube malformation were folic acid (odds ratio (OR)OR=0.31, 95%CI: 0.20-0.47), fever (OR=3.02, 95%CI: 2.38-3.83), obesity (OR=1.76, 95%CI: 1.39-2.21), passive smoking (OR=1.91, 95%CI: 1.52-2.40). Antiepileptic drugs (OR=6.10, 95%CI: 2.58-14.43); Heavy metals (Zinc: OR=2.37, 95%CI: 1.06-5.30, mercury: OR= 4.61, 95%CI: 2.85-7.47). Conclusion: Prenatal supplementation with folic acid and zinc has been shown to reduce the risks of neural tube defects. It is recommended that women of childbearing age take folic acid and zinc supplements before and during pregnancy. Other factors such as fever, obesity, passive smoking, antiepileptic drugs, and mercury exposure have been associated with an increased incidence of neural tube abnormalities. Neurological tube abnormalities can be reduced by folic acid and zinc, which act as protective factors. The incidence of neural tube abnormalities is increased by fever, obesity, passive smoking, antiepileptic drugs, and mercury.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| 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 ».