Components of Successful Staple Food Fortification Programs: Lessons From Latin America
Notice bibliographique
Résumé
BACKGROUND: There are few effectiveness evaluations of food fortification programs, and little is known about what makes programs successful. OBJECTIVE: We examined 3 food fortification programs in Latin America to identify common features that might explain their success and to draw lessons for program design and implementation everywhere: The vitamin A fortification of sugar in Guatemala with impact on vitamin A status of the population, the fortification of a basket of foods with iron and other micronutrients in Costa Rica with impact on iron status and anemia in women and children, and the fortification of wheat flour with folic acid in Chile, which reduced the incidence of neural tube defects. METHODS: We identified pertinent literature about these preselected programs and asked regional experts for any additional information. We also conducted structured interviews of key informants to provide historical and contextual information. RESULTS: Institutional research capacity and champions of fortification are features of successful programs in Latin America. We also found that private/public partnerships (industry, government, academia, and civil society) might be key for sustainability. To achieve impact, program managers need to use fortification vehicles that are consumed by the nutritionally vulnerable and to add bioavailable fortificants at adequate content levels in order to fill dietary gaps and reduce micronutrient deficiencies. Adequate monitoring and quality control are essential. CONCLUSIONS: For future programs, we recommend that the evaluation be specified up-front, including a baseline/end line and data collection along the program impact pathway to inform needed improvements and to strengthen causal inferences.
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) | 0,001 | 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 ».