Nachbarschafts-Umgebung und Präeklampsie-Risiko: Machine-Learning-Analyse
Von KI ausgewählt und zusammengefasst
Worum es geht
Matched-Case-Control-Studie mit Machine Learning zur Bestimmung der relativen Bedeutung von Nachbarschaftsfaktoren (soziale Vulnerabilität, gebaute Umgebung) für Präeklampsie-Risiko in Philadelphia.
Ergebnis
18.754 Teilnehmer (4.689 Präeklampsie-Fälle, 14.065 Kontrollen). Drei Nachbarschafts-Gesundheits-Vulnerabilitätsfaktoren am wichtigsten: Prävalenz von Adipositas, hohem Blutdruck und kurzer Schlafdauer bei Erwachsenen. Assoziationen mit Nachbarschafts-Hypertonie-Prävalenz besonders relevant für Präeklampsie-Prävention.
Übertragbarkeit auf Deutschland
US-Daten aus Philadelphia, aber sozialstrukturelle Fragestellung und Risiko-Identifikation systemunabhängig relevant
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.