Prevalence and predictors of anemia among children under 5 years of age in Arusha District, Tanzania
Notice bibliographique
Résumé
Abstract: Anemia is a global health problem affecting most developing countries. We examined the prevalence of anemia and its predictors among children under 5 years of age in Arusha District, Tanzania. Random sampling technique was used to identify 436 children aged 6–59 months. Anemia status was assessed by measuring hemoglobin concentration from blood sample obtained from a finger prick and HemoCue ® Hb 201+ photometer. Demographic information and dietary intake data were collected using a standardized questionnaire. Anemia cut-off points were defined according to World Health Organization standards for children aged 6–59 months. Logistic regression using backward procedure was used to estimate odds ratios (ORs) at 95% confidence intervals (CIs). Prevalence rate of anemia among under-fives was found to be 84.6% (n=369). Multivariable logistic regression identified the following predictors of anemia; low birth weight (adjusted OR (AOR): 2.1, 95% CI: 1.1–3.8), not consuming meat (AOR: 6.4, 95% CI: 3.2–12.9), not consuming vegetables (AOR: 2.1, 95% CI: 1.1–4.1), drinking milk (AOR: 2.5, 95% CI: 1.1–5.2), and drinking tea (AOR: 4.5, 95% CI: 1.5–13.7). It was concluded that low birth weight and dietary factors (ie, low or nonconsumption of iron-rich foods like meat, vegetables, and fruits) were predictors of anemia among under-five children living in this rural setting. Community education on exclusive breastfeeding and introduction of complementary foods should be improved. Mothers and caretakers should be educated about nutrition, in general, as well as potential use of micronutrient powder to improve the nutritional quality of complementary foods. Keywords: anemia, low birth weight, dietary intake, predictors, under-five children
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 ».