Disparities in the prevalence of child undernutrition in Malawi – a crosssectional perspective
Notice bibliographique
Résumé
Background. Child undernutrition is a significant public health problem in Malawi.Objective. To determine the localisation of underweight, stunting and wasting in three main agricultural development divisions (ADDs) in Malawi.Design. Descriptive population-based cross-sectional study.Setting. Rural subsistence farming communities in Mzuzu, Lilongwe and Blantyre ADDs.Subjects. Children aged 6 - 59.9 months.Outcome measures. Anthropometric measurements were taken to determine the mean weight-for-age z-scores (WAZ), height-for-age z-scores (HAZ) and weight-for-height z-scores (WHZ). The prevalences of underweight, stunting and wasting were also determined.Results. The mean WAZ of children from Mzuzu ADD was significantly higher than that of children from Lilongwe ADD (-1.04 v. -1.43, p = 0.001) and Blantyre ADD (-1.04 v. -1.32, p = 0.03). Similarly, children from Mzuzu ADD had significantly higher WHZ than their counterparts from Lilongwe (0.22 v. -0.04, p = 0.021) and Blantyre ADDs (0.22 v. -0.09, p = 0.003). There were no significant between-group differences in mean HAZ ( F = 2.73, p = 0.07). The prevalence of underweight was significantly lower in Mzuzu ADD (16.9%) than Blantyre (25.3%) and Lilongwe (31.3%) ADDs ( 2 = 11.95, p = 0.003). Likewise, stunting was significantly lower in Mzuzu ADD (46.6%) than Blantyre (53.8%) and Lilongwe (61.3%) ADDs ( 2 = 8.71, p = 0.013). There were no differences in the prevalence of either stunting or underweight between Lilongwe and Blantyre ADDs.Conclusion. The differences in prevalence of malnutrition among preschool children in the three agro-ecological zones may result from differences in ecological, demographic, social, economic and other pressures that these populations are exposed to. As Malawi decentralises most of its public services, there is a need for nutrition and health managers in specific areas to formulate uniquely localised programmes to deal effectively with the gravity and presumed diverse causes of nutrition problems. Some blanket national interventions are less likely to help in addressing local problems.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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; 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 ».