Individual, maternal and household risk factors for anaemia among young children in sub-Saharan Africa: a cross-sectional study
Notice bibliographique
Résumé
OBJECTIVE: Anaemia affects the majority of children in sub-Saharan Africa (SSA). Previous studies of risk factors for anaemia have been limited by sample size, geography and the association of many risk factors with poverty. In order to measure the relative impact of individual, maternal and household risk factors for anaemia in young children, we analysed data from all SSA countries that performed haemoglobin (Hb) testing in the Demographic and Health Surveys. DESIGN AND SETTING: This cross-sectional study pooled household-level data from the most recent Demographic and Health Surveys conducted in 27 SSA between 2008 and 2014. PARTICIPANTS: 96 804 children age 6-59 months. RESULTS: The prevalence of childhood anaemia (defined as Hb <11 g/dL) across the region was 59.9%, ranging from 23.7% in Rwanda to 87.9% in Burkina Faso. In multivariable regression models, older age, female sex, greater wealth, fewer household members, greater height-for-age, older maternal age, higher maternal body mass index, current maternal pregnancy and higher maternal Hb, and absence of recent fever were associated with higher Hb in tested children. Demographic, socioeconomic factors, family structure, water/sanitation, growth, maternal health and recent illnesses were significantly associated with the presence of childhood anaemia. These risk factor groups explain a significant fraction of anaemia (ranging from 1.0% to 16.7%) at the population level. CONCLUSIONS: The findings from our analysis of risk factors for anaemia in SSA underscore the importance of family and socioeconomic context in childhood anaemia. These data highlight the need for integrated programmes that address the multifactorial nature of childhood anaemia.
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 | 0,001 | 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 ».