Trends and predictors of preterm birth among Asian Americans by ethnicity, 1992–2018
Notice bibliographique
Résumé
In an increasingly diverse United States (US) population, racial disparities in preterm birth outcomes continue to widen. In this study, we examined temporal trends and risk of preterm birth among Asian American women over a quarter century (1992–2018). This is a retrospective cohort study using the 1992–2018 Natality data files. We conducted joinpoint regression analyses to examine trends in preterm birth among Asian Americans and non-Hispanic (NH) Whites. Bivariate and multivariable analyses were used to identify risk factors associated with preterm birth among Asian Americans and their ethnic sub-groups as compared to NH-Whites. There were a total of 251,278 preterm births among Asian American women, corresponding to a rate of 10.0%, which was relatively stable over time. The incidence of extremely, very and moderate-to-late preterm birth among Asian Americans was 0.4%, 0.9% and 8.7% respectively. Overall, Asian American women exhibited lower adjusted odds (OR = 0.92; 95% CI: 0.88–0.97) of preterm birth than their NH-White counterparts. Comparing Asian American subgroups to NH-Whites, Filipinas and Vietnamese mothers had increased adjusted odds, whereas Chinese, Korean, Japanese and Asian Indian women showed decreased adjusted odds for preterm birth. The risk of preterm birth varied among the ethnic subgroups of Asian Americans in the United States. Future studies should explore the socio-cultural and environmental nuances that might explain these differences.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 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 ».