Abstract P238: Sociodemographic Factors Associated With Under- and Overweight Among Women of Reproductive Age in Sub-Sahara Africa
Notice bibliographique
Résumé
Introduction: In the last three decades, many countries in SSA have undergone rapid epidemiological and nutritional transitions, with an ever-increasing prevalence of cardio-metabolic conditions. Because of these changes, health care systems in the sub-region are faced with the simultaneous challenge of handling both underweight and overweight related sequelae. There is still limited epidemiological evidence on the drivers of this phenomenon within and across countries in SSA. Hypotheses: We assessed the following hypotheses: 1) SSA countries vary in terms of the type and extent of malnutrition; 2) Macro (country level) and micro (individual level) sociodemographic factors are associated with the double burden of malnutrition (i.e. under- and overweight) in SSA. Methods: Macro- and micro-level data for 34 SSA countries were acquired from the World Bank data base and Demographic and Health (DHS) surveys respectively. A total of 247,691 eligible participants (women between the age of 15 and 49) from the DHS surveys were analyzed. We first determined malnutrition categories in SSA from country level prevalence estimates of underweight and overweight using statistically defined logic expressions. Second, we used random forest analysis to investigate the association between the malnutrition groups and macro-level variables. Third, we used random forest analysis and multivariable multinomial logistic regression models to investigate the association between micro level variables and the three BMI categories i.e. underweight (BMI <18.5), normal weight (BMI 18.5 to 24.9) and overweight (BMI≥25). Results: Out of the 34 countries studied, the prevalence of underweight was greater than 10% in 3 countries, whereas 13 countries had both underweight and overweight prevalence exceeding 10%. Overweight (BMI 25 to 29.9) prevalence exceeded 10% in 7 countries, while the obese (BMI≥30) prevalence was at least 10% in 11 countries. Macro level random forest analysis showed that fertility rate and gross domestic product (GDP) were key correlates of the malnutrition groups found in SSA. However, age, wealth and parity were key correlates of women’s nutritional status at the micro level. Old age and wealth were consistently associated with overweight across all the countries. However, parity was a risk factor for underweight in underweight countries, and a risk factor for overweight in overweight countries. Conclusion: In conclusion, we observed consistent cross-sectional associations between measures of fertility, wealth and age and the dual forms of malnutrition (under- and overweight) among women in SSA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».