Anemia and Micronutrient Status of Women of Childbearing Age and Children 6–59 Months in the Democratic Republic of the Congo
Notice bibliographique
Résumé
Little is known about the micronutrient status of women and children in the Democratic Republic of the Congo, which is critical for the design of effective nutrition interventions. We recruited 744 mother-child pairs from South Kivu (SK) and Kongo Central (KC). We determined hemoglobin (Hb), serum zinc, vitamin B12, folate, ferritin, soluble transferrin receptor (sTfR), retinol binding protein (RBP), C-reactive protein, and α-1 acid glycoprotein concentrations. Anemia prevalence was determined using Hb adjusted for altitude alone and Hb adjusted for both altitude and ethnicity. Anemia prevalence was lower after Hb adjustment for altitude and ethnicity, compared to only altitude, among women (6% vs. 17% in SK; 10% vs. 32% in KC), children 6-23 months (26% vs. 59% in SK; 25% vs. 42% in KC), and children 24-59 months (14% vs. 35% in SK; 23% vs. 44% in KC), respectively. Iron deficiency was seemingly higher with sTfR as compared to inflammation-adjusted ferritin among women (18% vs. 4% in SK; 21% vs. 5% in KC), children 6-23 months (51% vs. 14% in SK; 74% vs. 10% in KC), and children 24-59 months (23% vs. 4% in SK; 58% vs. 1% in KC). Regardless of indicator, iron deficiency anemia (IDA) never exceeded 3% in women. In children, IDA reached almost 20% when sTfR was used but was only 10% with ferritin. Folate, B12, and vitamin A (RBP) deficiencies were all very low (<5%); RBP was 10% in children. The prevalence of anemia was unexpectedly low. Inflammation-adjusted zinc deficiency was high among women (52% in SK; 58% in KC), children 6-23 months (23% in SK; 20% in KC), and children 24-59 months (25% in SK; 27% in KC). The rate of biochemical zinc deficiency among Congolese women and children requires attention.
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 | 0,000 | 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 | 0,000 | 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 ».