Community and household socioeconomic factors associated with pesticide-using, small farm household members' health: a multi-level, longitudinal analysis
Notice bibliographique
Résumé
BACKGROUND: Longitudinal studies using multi-level models to examine health inequalities in lower and middle income countries (LMICs) are rare. We explored socio-economic gradients in health among small farm members participating in a pesticide-related health and agriculture program in highland Ecuador. METHODS: We profiled 24 communities through key informant interviews, secondary data (percent of population with unsatisfied basic needs), and intervention implementation indicators. Pre (2005) and post (2007) surveys of the primary household and crop managers included common questions (education, age, and the health outcome - digit span scaled 0-10)) and pesticide-related practice questions specific to each. Household assets and pesticide use variables were shared across managers. We constructed multi-level models predicting 2007 digit span for each manager type, with staged introduction of predictor variables. RESULTS: 376 household managers (79% of 2005 participants) and 380 crop managers (76% of 2005 participants) had complete data for analysis. The most important predictor of 2007 digit span was 2005 digit span: β (Standard Error) of 0.31(0.05) per unit for household and 0.17(0.04) for crop managers. Household asset score was next most important: 0.14(0.06) per unit for household and 0.14(0.05) for crop managers. Community percent with unsatisfied basic needs was associated with reductions in 2007 digit span: -0.04(0.01) per percent for household and -0.03(0.01) for crop managers. CONCLUSIONS: The important roles of life endowments and/or persistent neurotoxicity were exemplified by limited change in the health outcome. Gradients by household assets and community deprivation were indicative of ongoing, structural inequities within this LMIC.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».