Assessing associational strength of 23 correlates of child anthropometric failure: An econometric analysis of the 2015-2016 National Family Health Survey, India
Notice bibliographique
Résumé
Despite the broad consensus that investments in nutrition-sensitive programmes are required to reduce child undernutrition, in practice empirical studies and interventions tend to focus on few nutrition-specific risk factors in isolation. The 2015-16 National Family Health Survey provides the first opportunity in more than a decade to conduct an up-to-date comprehensive evaluation of the relative importance of various maternal and child health and nutrition (MCHN) factors in respect to child anthropometric failures in India. The primary analysis included 140,444 children aged 6-59 months with complete data on 20 MCHN factors, and the secondary analysis included a subset of 25,603 children with additional paternal data. Outcome variables were stunting, underweight and wasting. We conducted logistic regression models to first evaluate each correlate separately in age- and sex-adjusted models, and then jointly in a mutually adjusted model. For all anthropometric failures, indicators of past and present socioeconomic conditions showed the most robust associations. The strongest correlates for stunting were short maternal stature (OR: 4.39; 95%CI: 4.00, 4.81), lack of maternal education (OR: 1.74; 95%CI: 1.60, 1.89), low maternal BMI (OR: 1.64; 95%CI: 1.54, 1.75), poor household wealth (OR: 1.25; 95%CI: 1.15, 1.35) and poor household air quality (OR: 1.22; 95%CI: 1.16, 1.29). Weaker associations were found for other correlates, including dietary diversity, vitamin A supplementation and breastfeeding initiation. Paternal factors were also important predictors of anthropometric failures, but to a lesser degree than maternal factors. The results remained consistent when stratified by children's age (6-23 vs 24-59 months) and sex (girls vs boys), and when low birth weight was additionally considered. Our findings indicate the limitation of nutrition-specific interventions. Breaking multi-generational poverty and improving environmental factors are promising investments to prevent anthropometric failures in early childhood.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,016 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».