Notice bibliographique
Résumé
Peru is the South American country that suffers anaemia the most (matching only Guyana) according to the WHO. It affects more than 50% of preschool children, 42% of pregnant women and 40% of non-pregnant women of reproductive age. These prevalence levels put Peru in a similar situation to most African countries. In spite of the important role of anaemia in Peruvian society, the magnitude of the problem has not been acknowledged in its consequences and costs for the country. Furthermore, the Peruvian state has not developed a systematic policy for fighting anaemia. \n \nThe aim of this study is to identify and estimate the economic costs for the Peruvian state and economy caused by the current prevalence of iron-deficiency anaemia among adults; to estimate the future economic costs for the Peruvian economy of the current prevalence of anaemia among children and to estimate the costs incurred by the state from the anaemia-related care provided, as well as that related to consequent health problems. Furthermore, the study also undertakes an estimation of the costs that the Peruvian state would incurred in order to prevent anaemia among children and pregnant women. The aim of this is to show the importance and implications of the problem and the possible savings and benefits of a stronger, more systematic and more effective policy for fighting anaemia.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,010 |
| Communication savante | 0,012 | 0,005 |
| Science ouverte | 0,018 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».