Multilevel modelling of sociodemographic predictors of various levels of anaemia among women in Mali
Notice bibliographique
Résumé
OBJECTIVE: Anaemia currently affects 40-80% of women in Africa. While risk factors for anaemia have been intensively studied, research has rarely compared risk factors between mild anaemia and moderate/severe anaemia. Also, the contribution of neighbourhood to the prevalence of anaemia has been rarely studied. The aim of the present study was to identify and compare individual and contextual factors associated with various levels of anaemia among women. DESIGN: A multilevel analysis of data from the 2001 Mali Demographic and Health Survey (n 3763) was carried out. Outcomes variables were mild anaemia, moderate-to-severe anaemia and any anaemia. Multilevel regression analyses were performed for each outcome. SETTING: Mali, West Africa. SUBJECTS: Women (n 3763) aged 15 to 49 years, including 512 pregnant women. RESULTS: Among the eleven potential risk factors included in the models, two factors were associated with mild anaemia (BMI and education), three with any anaemia (pregnancy, BMI and education) and six with moderate-to-severe anaemia (pregnancy, BMI, education, wealth, childhood residency and region of residence). Clustering of anaemia within communities was 20% for moderate-to-severe anaemia and 13% for mild anaemia. Despite significant differences in the prevalence of anaemia across regions in Mali, no difference between regions in the risk of mild anaemia was found and only the region of Gao showed a significantly higher risk of moderate-to-severe anaemia. CONCLUSIONS: The findings indicate that sociodemographic risk factors as well as clustering of anaemia varies with the severity of anaemia. Specific studies are needed to identify risk factors of mild anaemia as well as its consequences, as mild anaemia accounts for 20-40% of total prevalence of anaemia in Africa.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».