Micronutrient Deficiencies, Nutritional Status and the Determinants of Anemia in Children 0–59 Months of Age and Non-Pregnant Women of Reproductive Age in The Gambia
Notice bibliographique
Résumé
Data on micronutrient deficiency prevalence, nutrition status, and risk factors of anemia in The Gambia is scanty. To fill this data gap, a nationally representative cross-sectional survey was conducted on 1354 children (0-59 months), 1703 non-pregnant women (NPW; 15-49 years), and 158 pregnant women (PW). The survey assessed the prevalence of under and overnutrition, anemia, iron deficiency (ID), iron deficiency anemia (IDA), vitamin A deficiency (VAD), and urinary iodine concentration (UIC). Multivariate analysis was used to assess risk factors of anemia. Among children, prevalence of anemia, ID, IDA, and VAD was 50.4%, 59.0%, 38.2%, and 18.3%, respectively. Nearly 40% of anemia was attributable to ID. Prevalence of stunting, underweight, wasting, and small head circumference was 15.7%, 10.6%, 5.8%, and 7.4%, respectively. Among NPW, prevalence of anemia, ID, IDA and VAD was 50.9%, 41.4%, 28.0% and 1.8%, respectively. Anemia was significantly associated with ID and vitamin A insufficiency. Median UIC in NPW and PW was 143.1 µg/L and 113.5 ug/L, respectively. Overall, 18.3% of NPW were overweight, 11.1% obese, and 15.4% underweight. Anemia is mainly caused by ID and poses a severe public health problem. To tackle both anemia and ID, programs such as fortification or supplementation should be intensified.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».