Evidence-based approaches to childhood stunting in low and middle income countries: a systematic review
Notice bibliographique
Résumé
OBJECTIVE: We systematically evaluated health and nutrition programmes to identify context-specific interventional packages that might help to prioritise the implementation of programmes for reducing stunting in low and middle income countries (LMICs). METHODS: Electronic databases were used to systematically review the literature published between 1980 and 2015. Additional articles were identified from the reference lists and grey literature. Programmes were identified in which nutrition-specific and nutrition-sensitive interventions had been implemented for children under 5 years of age in LMICs. The primary outcome was a change in stunting prevalence, estimated as the average annual rate of reduction (AARR). A realist approach was applied to identify mechanisms underpinning programme success in particular contexts and settings. FINDINGS: Fourteen programmes, which demonstrated reductions in stunting, were identified from 19 LMICs. The AARR varied from 0.6 to 8.4. The interventions most commonly implemented were nutrition education and counselling, growth monitoring and promotion, immunisation, water, sanitation and hygiene, and social safety nets. A programme was considered to have effectively reduced stunting when AARR≥3%. Successful interventions were characterised by a combination of political commitment, multi-sectoral collaboration, community engagement, community-based service delivery platform, and wider programme coverage and compliance. Even for similar interventions the outcome could be compromised if the context differed. INTERPRETATION: For all settings, a combination of interventions was associated with success when they included health and nutrition outcomes and social safety nets. An effective programme for stunting reduction embraced country-level commitment together with community engagement and programme context, reflecting the complex nature of exposures of relevance. PROSPERO REGISTRATION NUMBER: CRD42016043772.
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 | 0,017 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,009 |
| Bibliométrie | 0,025 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».