Individual<b>-</b>, maternal- and household-level factors associated with stunting among children aged 0–23 months in Bangladesh
Notice bibliographique
Résumé
OBJECTIVE: Childhood stunting remains a major public health concern in Bangladesh. To accelerate the reduction rate of stunting, special focus is required during the first 23 months of a child's life when the bulk of growth takes place. Therefore the present study explored individual-, maternal- and household-level factors associated with stunting among children under 2 years of age in Bangladesh. DESIGN: Data were collected through a nationwide cross-sectional survey conducted between October 2015 and January 2016. A two-stage cluster random sampling procedure was applied to select 11 428 households. In the first stage, 210 enumerations areas (EA) were selected with probability proportional to EA size (180 EA from rural areas, thirty EA from urban slums). In the second stage, an average of fifty-four households were selected from each EA through systematic random sampling. SETTING: Rural areas and urban slums of Bangladesh.ParticipantsA total of 6539 children aged 0-23 months. RESULTS: Overall, 29·9 % of the children were stunted. After adjusting for all potential confounders in the modified Poisson regression model, child's gender, birth weight (individual level), maternal education, age at first pregnancy, nutrition (maternal level), administrative division, place of residence, socio-economic status, food security status, access to sanitary latrine and toilet hygiene condition (household level) were significantly associated with stunting. CONCLUSIONS: The study identified a number of potentially addressable multilevel risk factors for stunting among young children in Bangladesh that should be addressed through comprehensive multicomponent interventions.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».