MétaCan
Menu
Retour à la cohorte
Enregistrement W2966504060 · doi:10.31964/jsk.v10i2.214

ANALISIS FAKTOR RISIKO WASTING PADA BALITA DI WILAYAH KERJA PUSKESMAS IDI RAYEUK KABUPATEN ACEH TIMUR TAHUN 2019

2019· article· id· W2966504060 sur OpenAlexaff
Anna Dara Tambunan

Notice bibliographique

RevueJurnal Skala Kesehatan · 2019
Typearticle
Langueid
DomaineMedicine
ThématiquePublic Health and Nutrition
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineGynecology

Résumé

récupéré en direct d'OpenAlex

Tujuan penelitian ini adalah untuk menganalisis faktor risiko wasting pada balita di Wilayah Kerja Puskesmas Idi Rayeuk Kabupaten Aceh Timur Tahun 2019. Penelitian ini merupakan penelitian analitik dengan desain kasus control (case control design) dengan jumlah responden sebanyak 86 responden. Pengumpulan data yang dilakukan dengan menggunakan kuisioner, sedangkan analisa data pada penelitian ini menggunakan analisa multivariat Regresi Logistik Berganda Data dianalisis secara univariat, bivariat dengan uji chi square dan multivariate dengan uji regresi logistik. Hasil uji statistika diperoleh didapatkan odds ratio (OR) penyakit infeksi sebesar 15,797 artinya balita yang mengalami riwayat penyakit infeksi memiliki peluang 15,7 kali mengalami wasting dibandingkan balita yang tidak memiliki riwayat penyakit infeksi. Diharapkan kepada petugas kesehatan khususnya pelaksanaan program gizi agar dapat memantau secara berkala dan mengatasi masalah status gizi balita terutama masalah wasting yang dialami balita.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,003

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 Opus0,016
Tête enseignante GPT0,285
Écart entre enseignants0,269 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Skala KesehatanMême sujetPublic Health and NutritionTravaux en français237 207