A Changing Landscape for Vitamin A Programs
Notice bibliographique
Résumé
BACKGROUND: Vitamin A deficiency (VAD) remains a widespread public health problem in the developing world, despite changes in under-5 mortality rates, morbidity patterns, and intervention options. OBJECTIVE: This article considers the implications of a changing epidemiologic and programmatic landscape for vitamin A (VA) programs. METHODS: We review progress to prevent VAD and its health consequences, assess gaps in VA status and intervention coverage data, and assess data needed to guide decisions regarding the optimal mix, targeting, and dose of VA interventions to maximize benefit and minimize risk. RESULTS: Vitamin A supplementation programs have contributed to the reduction in under-5 mortality rates, but alone, do not address the underlying problem of inadequate dietary VA intakes and VAD among preschool-aged children in the developing world. A combination of VA interventions (eg, supplementation, fortified foods, multiple micronutrient powders, and lipid-based nutrient supplements) will be required to achieve VA adequacy in most settings. Current efforts to measure the coverage of multiple VA interventions, as well as whether and how much VA children are receiving, are few and fragmented. CONCLUSIONS: Where intervention overlap exists, further effort is needed to monitor VA intakes, ensuring that targeted groups are consuming adequate amounts but not exceeding the tolerable upper intake level. Vitamin A status data will also be critical for navigating the changing landscape of VA programs. Data from these monitoring efforts will help to guide decisions on the optimal mix, targeting, and exposure to VA interventions to maximize public health benefit while minimizing any potential risk.
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 ».