MétaCan
Menu
Retour à la cohorte
Enregistrement W2853022770 · doi:10.1159/000486497

Micronutrients and Child Growth: Current Evidence and Progress

2018· book-chapter· en· W2853022770 sur OpenAlexaff
Renee Sharma, Tyler Vaivada, Zulfiqar A Bhutta

Notice bibliographique

RevueNestlé Nutrition Institute Workshop series · 2018
Typebook-chapter
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensSickKids FoundationHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMicronutrientMalnutritionMicronutrient deficiencyEnvironmental healthUnderweightMedicineObesityEndocrinologyPathology

Résumé

récupéré en direct d'OpenAlex

Vitamins and minerals are essential for growth and metabolism. The World Health Organization (WHO) estimates that more than 2 billion people are deficient in key vitamins and minerals. Groups most vulnerable to these micronutrient deficiencies are pregnant and lactating women and young children, given their increased nutritional demands. Although direct causal information on the link of micronutrient deficiencies to maternal and fetal malnutrition and child growth is difficult to establish, indirect information related to risk factors and intervention studies does suggest a close relationship between key micronutrients in mothers and children with impaired growth. These include iron, zinc, and multiple micronutrients. Micronutrient deficiency is prevalent in both underweight and obese populations and is linked to pregnancy outcomes. Several strategies are in use globally to address micronutrient deficiencies in children with a focus on survival, but relatively few have addressed growth. These include supplementation as well as food fortification. This presentation will summarize the available global evidence of best practices and strategies, as well as discuss next steps in relation to the Sustainable Development Goals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,104

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0310,005

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,286
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNestlé Nutrition Institute Workshop seriesMême sujetChild Nutrition and Water AccessTravaux en français237 207