Barriers and enablers for iron folic acid (IFA) supplementation in pregnant women
Notice bibliographique
Résumé
In order to inform large scale supplementation programme design, we review and summarize the barriers and enablers for improved coverage and utilization of iron and folic acid (IFA) supplements by pregnant women in 7 countries in Africa and Asia. Mixed methods were used to analyse IFA supplementation programmes in Afghanistan, Bangladesh, Indonesia, Ethiopia, Kenya, Nigeria, and Senegal based on formative research conducted in 2012-2013. Qualitative data from focus-group discussions and interviews with women and service providers were used for content analysis to elicit common themes on barriers and enablers at internal, external, and relational levels. Anaemia symptoms in pregnancy are well known among women and health care providers in all countries, yet many women do not feel personally at risk. Broad awareness and increased coverage of facility-based antenatal care (ANC) make it an efficient delivery channel for IFA; however, first trimester access to IFA is hindered by beliefs about when to first attend ANC and preferences for disclosing pregnancy status. Variable access and poor quality ANC services, including insufficient IFA supplies and inadequate counselling to encourage consumption, are barriers to both coverage and adherence. Community-based delivery of IFA and referral to ANC provides earlier and more frequent access and opportunities for follow-up. Improving ANC access and quality is needed to facilitate IFA supplementation during pregnancy. Community-based delivery and counselling can address problems of timely and continuous access to supplements. Renewed investment in training for service providers and effective behaviour change designs are urgently needed to achieve the desired impact.
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 ».