Are pre-school girls more likely to be under-nourished in rural Thatta, Pakistan?-a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Pakistan ranks third lowest on a global gender index (2013) and 13(th) highest on the prevalence of underweight among under-five children (2010). Through this population-based study, we examined gender differentials in the prevalence of stunting, wasting and under-weight defined by World Health Organization (WHO) Growth Standard among rural pre-school Pakistani children. METHODS: We performed secondary analysis of data collected through a cross-sectional survey of Thatta district during 1992-93. Prevalence ratios were calculated for 1051 children aged 0-35 months from 95 randomly selected villages of rural Pakistan using a clustered adjusted log binomial model. Level 1 variables included child and household characteristics and level 2 included village characteristics. RESULTS: Based on the new WHO growth reference, a major proportion of children were stunted (52.9 %), wasted (22.9 %) and under-weight (46.5 %). In a two-level model, compared to boys, girls had significantly greater risk of stunting [Prevalence Ratio (PR) (95 % C.I.) = 1.18 (1.03, 1.36)] and under-weight [P.R. (95 % C.I.) 1.14 (1.03, 1.26)], after adjustment of maternal literacy and village variables. Risk of wasting did not differ with gender [P.R. (95 % C.I.) = 1.04 (0.99, 1.15)]. Mothers of stunted and underweight children were respectively, 21 and 20 % more likely to be illiterate than those of normally nourished children. Sick children were at 16 % greater risk of wasting than those not reported ill. CONCLUSION: Greater prevalence of stunting and under-weight among girls suggests adoption of a gender sensitive approach in nutritional intervention programmes. Prompt management of childhood illnesses may reduce prevalence of wasting. Better literacy among rural mothers may reduce prevalence of stunting and under-weight. Whether gender differences in nutrition status are an underlying pathway for excessive girl mortality in rural Thatta needs further examination.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».