PENGARUH PEMBERIAN JUS APEL TERHADAP EMESIS GRAVIDARUM PADA IBU HAMIL TRIMESTER I DI KLINIK ELIZA BESTARI
Notice bibliographique
Résumé
Menurut WHO (2019), bahwa angka kejadian emesis gravidarum yang terjadi di dunia sangat beragam yaitu 10.8% di China, 2.2% di Pakistan, 1-3% di Indonesia, 1.9% di Turki, 0.9% di Norwegia, 0.8% di Canada, 0.5% di California, 0,5%-2% di Amerika emesis gravidarum berkisar antara 1 sampai 3 persen dari seluruh kehamilan. Rasio kejadian keseluruhan adalah 4: 1000. kejadian mual muntah pada ibu hamil di Indonesia berkisar antara 50% sampai 75% selama trimester pertama atau awal kehamilan. Tujuan Penelitian : Untuk menganalisis bahwa jus apel adakah pengaruh untuk mengatasi emesis gravidarum pada ibu hamil trimester I di Klinik Eliza Bestari. Metode Quasy Eksperimental dengan design one group pre-test post-test populasi seluruh ibu hamil yang melakukan kunjungan Antenatal Care (ANC) di Klinik Eliza Bestari, pengambilan sampel dilakukan dengan purposive sampling dengan jumlah sampel 30 responden. Pengambilan data menggunakan pengamatan atau observasi, dapat menggunakan instrument penelitian berupa pengamatan Paduan observasi (Observation sheet atau Observation schedule) analisi nilai p (0,000) ˂ α (0,005). Hal ini menunjukkan bahwa jus apel lebih efektif dalam mengurangi emesis gravidarum pada ibu hamil trimester I. Kesimpulan : pemberian jus apel terbukti efektif dalam penurunan emesis gravidarum pada ibu hamil trimester I di klinik eliza bestari.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».