Significant cognitive delay among 3- to 4-year old children in low- and middle-income countries: prevalence estimates and potential impact of preventative interventions
Notice bibliographique
Résumé
Background: We sought to: (i) estimate the prevalence of significant cognitive delay (a marked delay in the development of general cognitive functioning) among nationally representative samples of young children in middle- and low-income countries; (ii) estimate the total number of children under 5 years of age with significant cognitive delay living in low- and middle-income countries; and (iii) estimate the potential impact of five preventative interventions. Methods: Secondary analysis of data collected in Rounds 4 and 5 of UNICEF's Multiple Cluster Indicators Surveys in 51 countries involving 163 293 3- to 4-year-old children. Adjusted population-attributable fractions were used to estimate the potential impact of five interventions based on Sustainable Development Goals (SDGs). Results: The prevalence of significant cognitive delay in 3- to 4-year-old children in middle- and low-income countries was 10.1% (95% confidence interval 9.7-10.4%). Prevalence was strongly inversely related to country economic wealth. The estimated total number of children under 5 with significant cognitive delay living in low- and middle-income countries was just under 55 million. This number could be reduced by over 60% if three separate SDGs were achieved; every mother had secondary-level education, every household had access to improved water and sanitation, and every child had an acceptable level of home stimulation. Conclusions: Our results provide additional evidence in support of a range of specific preventative interventions in early childhood to reduce the loss of developmental potential among children in low- and middle-income countries.
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 | 0,002 |
| 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 ».