Terapi jahe hangat pada ibu hamil yang mengalami hiperemesis gravidarum
Notice bibliographique
Résumé
Background: Between 60% and 70% of primigravida pregnant women experience emesis gravidarum in the first trimester, and between 40% and 60% of multigravida pregnant women experience it. Approximately 25% of pregnant women experience early vomiting problems that require time off from work. The World Health Organization (WHO) estimates that 12.5% of all pregnancies worldwide are affected by HG, with varying incidence rates ranging from 10.8% in China, 2.2% in Pakistan, 1.9% in Turkey, 0.9% in Norway, 0.8% in Canada, 0.5% in California, and 0.3% in Sweden. Meanwhile, the incidence of HG in Indonesia ranges from 1-3% of all pregnancies. Non-pharmacological measures often recommended by health workers include advising pregnant women to consume warm ginger drinks. Purpose: To provide nursing care for mothers with hyperemesis gravidarum who have nausea using warm ginger. Method: Descriptive research design with a case study design. The subjects were two people who experienced nausea nursing problems. Ginger drinks were administered in the morning and evening for four days. Nausea and vomiting were measured before and after non-pharmacological therapy was administered, and during the study, the researcher used SPO. Results: Management of nausea with the application of warm ginger nursing interventions that the author performed for 4 days on patients with hyperemesis gravidarum, where the nausea problems of both clients were completely resolved, as evidenced by Mrs. S no longer experiencing nausea and vomiting and Mrs. A's nausea and vomiting had decreased to only 2 episodes from morning to night, and both clients were cooperative during the intervention. Conclusion: There is an effect of applying warm ginger to reduce nausea in patients with hyperemesis gravidarum.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».