Leveraging machine learning to study how temperament scores predict pre-term birth status

• Κύριοι συγγραφείς: Erich Seamon (Συγγραφέας), Jennifer.A. Mattera (Συγγραφέας), Sarah.A. Keim (Συγγραφέας), Esther.M. Leerkes (Συγγραφέας), Jennifer.L. Rennels (Συγγραφέας), Andrea.J. Kayl (Συγγραφέας), Kirsty.M. Kulhanek (Συγγραφέας), Darcia Narvaez (Συγγραφέας), Sarah.M. Sanborn (Συγγραφέας), Jennifer.B. Grandits (Συγγραφέας), Christine Dunkel Schetter (Συγγραφέας), Mary Coussons-Read (Συγγραφέας), Amanda.R. Tarullo (Συγγραφέας), Sarah.J. Schoppe-Sullivan (Συγγραφέας), Moriah.E. Thomason (Συγγραφέας), Julie.M. Braungart-Rieker (Συγγραφέας), Julie.C. Lumeng (Συγγραφέας), Shannon.N. Lenze (Συγγραφέας), Lisa M. Christian (Συγγραφέας), Darby.E. Saxbe (Συγγραφέας), Laura.R. Stroud (Συγγραφέας), Christina.M. Rodriguez (Συγγραφέας), Stephanie Anzman-Frasca (Συγγραφέας), Maria.A. Gartstein (Συγγραφέας)
• Μορφή: Βιβλίο
• Έκδοση: Elsevier, 2024-09-01T00:00:00Z.
• Θέματα: article
• Διαθέσιμο Online: Connect to this object online.

Background: Preterm birth (birth at <37 completed weeks gestation) is a significant public heatlh concern worldwide. Important health, and developmental consequences of preterm birth include altered temperament development, with greater dysregulation and distress proneness. Aims: The present stud...