The socioeconomic gradient of secondhand smoke exposure in children: evidence from 26 low-income and middle-income countries
Notice bibliographique
Résumé
OBJECTIVE: To provide the first analysis of socioeconomic inequalities in children's daily exposure to indoor smoking in households in 26 low-income and middle-income countries (LMICs). METHODS: We used nationally representative household samples (n=369 654) collected through the Demographic Health Surveys between 2010 and 2014 to calculate daily exposure to secondhand smoke (ESHS) among children aged 0-5 years. The relative and absolute concentration (RC and AC) indices were used to quantify wealth-based inequalities in daily ESHS in each country and in urban and rural areas in each country. We decomposed total socioeconomic inequalities in ESHS into within-group and between-group (rural-urban) inequalities to identify the sources of wealth-based inequality in ESHS in LMICs. FINDINGS: We observed substantial variation across countries in the prevalence of daily ESHS among children. Children's ESHS was higher in rural areas compared to urban areas in the majority of the countries. The RC and AC demonstrated that daily ESHS was concentrated among poorer children in almost all countries (RC, median=-0.179, IQR=0.186 and AC, median=-0.040, IQR=0.055). The concentration of ESHS among poorer children was greater in urban relative to rural areas. The decomposition of the overall socioeconomic inequality in daily ESHS revealed that wealth-based differences in ESHS within urban and rural areas were the main contributor to socioeconomic inequalities in most countries (median=46%, IQR=32%). CONCLUSIONS: Special attention should be given to reduce ESHS among children from rural and socioeconomically disadvantaged households as social inequalities in ESHS might contribute to social inequalities in health over the life course.
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 ».